產生式對抗網路GAN匯總_機器學習

關於產生式對抗學習(Generative Adversarial Network, GAN)相關文章的閱讀整理以及資源匯總。

文章： Generative Adversarial Nets (2014)[paper][code]
Ian Goodfellow第一篇提及產生式對抗學習的文章，開創性的工作。
– 提出了通過對抗網路來估計產生模型。
– 理論闡述了模型的損失函數及其訓練方法。 代碼已經整合到Theano等機器學習架構中。

Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(2015)[paper][code] 提出了產生式對抗網路(GANs)與卷積神經網路(CNNs)的結合的深度卷積產生對抗網路(DCGANs)。 將訓練好的的判別模型用於映像分類，和其他無監督方法的結果具有可比較性。 Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial
Network(2016)[paper] [code]
利用GAN來完成低解析度映像的高清化。 GAN在圖片高清化問題上的成功應用，清晰明了，效果顯著，很有參考性。 StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network(2016)[paper][code]
GAN用於基於文字描述的圖片產生。 兩個GAN,GAN-I 用於產生64 × 64的低解析度映像（前人已有工作），GAN-II 基於文字和低解析度映像產生256 × 256高分辨細節更多的圖片。 看起來很像一個GAN文字產生圖片加上一個GAN圖片高清化，這是兩個已經獨立研究的工作，但是作者解釋了裡面的不同。GAN-II裡面也融合了文字描述，有額外的資訊輸入，不像圖片高清化裡沒有額外資訊。 NIPS 2016 Tutorial: Generative Adversarial Networks (2016)[paper]
大神Goodfellow在NIPS2016 Tutorial之後的總結以及會上提到重要問題的回答。總結性很強，內容很多（57頁），乾貨很多。 內容主要有以下幾個方面：
– Why study generative modeling?
– How do generative models work?
– How do GANs work?
– Tips and Tricks
– Research Frontiers

其他：
1. 部落格：GAN will change world! – 2016年GAN發展的總結以及2017年的一些展望。