对一些基本的对抗生成网络的总结。部分内容整理自Teeyohuang’s blog

GAN (NeurIPS, 2014)

Generative adversarial nets

$mi{n}_{G}ma{x}_{D}V(D,G)=E_{x\sim P_{data}(x)}[logD(x)]+E_{z\sim P_z(x)}[log(1-D(G(x)))]$.

在实际训练的过程中，可以通过maximize logD(G(x))来训练G。

CGAN

Conditional generative adversarial nets

Pytorch版本代码

原始GAN的生成器G学到了数据的分布，生成出来的图片其实是随机的，也就是说这个G的生成过程处于一种没有指导的状态，虽然生成的图片，比如mnist数据集来说，生成的的确是数字，但是却没有具体的说是什么数字。 cGAN相当于在原始GAN的基础上加上一个条件：condition，以此来指导G的生成过程。
$mi{n}_{G}ma{x}_{D}V(D,G)=E_{x\sim P_{data}(x)}[logD(x|y)]+E_{z\sim P_z(z)}[log(1-D(G(z|y)))]$

y作为条件，和数据x以及噪声z同时分别进入D和G中。

DCGAN

unsupervised representation learning with deep convolutional generative adversarial networks

Pytorch版本代码

该网络主要使用卷积层，之前的网络用的是全连接层。

StackGAN

**StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks**

基于对CGAN的改进，CGAN无法生成清晰大图，StackGAN希望通过一个描述C，产生一张256x256的图像。通过两个generator实现，第一个generator产生64x64的小图，然后把结果放入第二个generator中生成256x256的大图。

详细内容

Pix2Pix (CVPR, 2017)

Image-to-image translation with conditional adversarial networks

本篇论文的核心思想并不复杂，是借鉴了conditional-GAN的思想。但pix2pix的generator的输入端只有条件y作为输入而没有噪声z。最终训练完成后可以从一张图A变换到另一张图B。

We demonstrate that this approach is effective at synthesizing photos from label maps, reconstructing objects from edge maps, and colorizing images, among other tasks.

CycleGAN (ICCV, 2017)

Unpaired image-to-image translation using cycle-consistent adversarial networks

CycleGAN详细解读

创新点：源于和目标域之间，无需建立训练数据一对一映射（对比pix2pix），就可实现风格迁移。

在CycleGAN中，不仅需要生成器产生的图片y’和数据集Y中的图片画风一样，还需要y’和输入图片x的内容一样。

• Loss function: Loss GAN + Loss cycle
  • Loss cycle: 将y‘放入生成器F中，产生的新图片x’与原始x尽可能相似。即F(G(x))=x。
  • Loss GAN

SRGAN (CVPR, 2017)

**Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network**

首次使用生成对抗网络(GAN)应用于图像超分辨率(SR)

SRGAN论文阅读笔记

StyleGAN (CVPR, 2019)

A style-based generator architecture for generative adversarial networks

StyleGAN 用风格（style）来影响人脸的姿态、身份特征等，用噪声 ( noise ) 来影响头发丝、皱纹、肤色等细节部分。

StyleGAN论文超详细解读