生成式对抗网络GAN必读十篇论文（附论文和代码地址）

生成式对抗网络（Generative Adversarial Networks, GAN ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。由 Ian Goodfellow 首先提出，在这两年更是深度学习中最热门的东西，仿佛什么东西都能由 GAN 做出来。
本文列出了 10 篇关于 GAN 的论文，这些论文详细介绍了 GAN，以及最新的方法。

一、DCGAN

论文链接“Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks”
code：https://github.com/jazzsaxmafia/dcgan_tensorflow

DCGAN 开启 GAN 之旅。这篇论文展示了卷积层与 GAN 是怎样组合的，还提供了其他一系列其他的参考架构。论文还讨论了诸如可视化GAN特征，潜在空间插值，用鉴别器特征训练分类器，结果评价等方面。总之，DCGAN 论文是必读的 GAN 论文，因为它的结构非常清晰，代码容易使用，可以马上用在您的 GAN 开发中。

二、Improved Techniques for Training GANs

论文链接
code链接

这篇论文提供了一系列的建议，用来建立DCGAN论文中提出的网络结构。这篇论文会帮助您理解GAN不稳定性的最佳假设。此外，本文还提出了许多稳定DCGAN训练的其他技术，包括特征匹配，小批量识别，历史平均，单面标签平滑和虚拟批量标准化。通过这些可以建立一个简单的DCGAN，是一个不错的经历，可帮助更好地理解GAN。

三、Conditional GANs

论文 Conditional Generative Adversarial Nets
code（https://github.com/TeeyoHuang/conditional-GAN）

Conditional GANs 是最先进的GAN的核心主题。这篇论文展示了如何整合数据的标签，从而实现更稳定的GAN训练。这种使用先验信息调节GAN的概念在GAN研究的未来工作中是一个反复出现的主题，对于关注图像到图像或文本到图像的论文尤其重要。

四、Progressively Growing of GANs for Improved Quality, Stability, and Variation

论文：https://arxiv.org/abs/1710.10196
code：https://github.com/tkarras/progressive_growing_of_gans

由于其令人印象深刻的结果和对GAN问题的创造性方法，它采用不同层次结构，GAN 分辨率从4²到8²，最高到1024²。相对于目标图像分辨率大小，GAN的不稳定性大大增加，本文就提出了该问题的解决方法。

五、BigGAN

Large Scale GAN Training for High Fidelity Natural Image Synthesis
论文 ：https://arxiv.org/abs/1809.11096
code：https://github.com/AaronLeong/BigGAN-pytorch

BigGAN模型是ImageNet的当前最新技术。这种模型很难在本地机器上实现，并且模型中有许多组件，如自注意力，频谱归一化和带有投影鉴别器的cGAN，这些都在他们的论文中得到了很好的解释。而且论文对当前最新技术的基础论文进行了全面的概述。

六、StyleGAN

A Style-Based Generator Architecture for Generative Adversarial Networks
论文：https://arxiv.org/abs/1812.04948
code：https://github.com/rosinality/style-based-gan-pytorch

StyleGAN模型可以说在这方面是最好的，尤其是在隐空间控制中。该模型使用称为自适应实例归一化（AdaIN）的神经风格转移机制来控制隐空间向量z，而不像之前的其他方式。映射网络和AdaIN训练分布在整个生成器模型中的的组合使得自己很难实现，但它仍然值得阅读，它包含了许多有趣的想法。

七、CycleGAN

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
论文：https://arxiv.org/abs/1703.10593
code：https://github.com/leocvml/CycleGAN-gluon-mxnet

CycleGAN论文与前面提到的6篇论文不同，因为它讨论了图像到图像的迁移问题而不是随机向量的图像合成问题。CycleGAN可以更具体地处理没有配对的图像转换的训练样本。因为循环一致性损失公式的优雅以及如何稳定GAN训练的方式，这是一篇值得阅读的论文。有许多有趣的程序使用CycleGAN，例如超分辨率，风格迁移，让马变为斑马。

八、Pix2Pix

Image-to-Image Translation with Conditional Adversarial Networks
论文：https://arxiv.org/abs/1611.07004
code：https://github.com/williamFalcon/pix2pix-keras

Pix2Pix是另一种图像到图像转换的GAN模型。该框架使用配对的训练样本，并在GAN模型中使用许多不同的配置。阅读本文时，对我来说最有趣的事情之一就是对PatchGAN的讨论。PatchGAN观察图像的70 x 70区域，以确定它们是真实的还是虚假的，而不是查看整个图像。该模型还提出了一个有趣的U-Net风格生成器结构，以及在生成器模型中使用ResNet样式的跳跃连接。有许多很酷的应用，例如边缘图到照片般真实的图像。

九、StackGAN

StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks
论文：https://arxiv.org/abs/1612.03242

StackGAN论文与先前的论文相比非常独特。它非常类似于Conditional GANs和Progressively Growing GANs。StackGAN模型的工作方式类似于Progressively Growing GANs，因为它可以在多尺度上工作。StackGAN首先输出64 * 64的图像，然后将其作为先验信息生成256 * 256的图像。StackGAN非常独特，因为它是从自然语言文本到图像的转换。这是通过改变文本嵌入来实现的，以便得到视觉特征。这是一篇非常有趣的论文，看到StyleGAN中展示的潜在空间控制与StackGAN中定义的自然语言接口相结合，令人惊叹。

十、GANs

Generative Adversarial Networks
论文：https://arxiv.org/abs/1406.2661
code：https://github.com/goodfeli/adversarial
原论文对任何研究GAN的人来说都是必读的。本文定义了GAN框架并讨论了“非饱和”损失函数。本文还给出了最优鉴别器的推导，这是最近GAN论文中经常出现的证明。本文还证明了GAN在实验中对MNIST，TFD和CIFAR-10图像数据集的有效性。

注：参考于深度学习与计算机视觉