關於生成式對抗學習(Generative Adversarial Network, GAN)相關文章的閱讀整理以及資源彙總。

文章：

• Generative Adversarial Nets (2014)[paper][code]
  
  1. Ian Goodfellow第一篇提及生成式對抗學習的文章，開創性的工作。
     – 提出了通過對抗網路來估計生成模型。
     – 理論闡述了模型的損失函式及其訓練方法。
  2. 程式碼已經整合到Theano等機器學習框架中。

• Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(2015)

  [paper][code]
  1. 提出了生成式對抗網路(GANs)與卷積神經網路(CNNs)的結合的深度卷積生成對抗網路(DCGANs)。
  2. 將訓練好的的判別模型用於影象分類，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]
  
  1. 利用GAN來完成低解析度影象的高清化。
  2. GAN在圖片高清化問題上的成功應用，清晰明瞭，效果顯著，很有參考性。

• StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network(2016)
  [paper][code]
  
  1. GAN用於基於文字描述的圖片生成。
  2. 兩個GAN,GAN-I 用於生成64×64的低解析度影象（前人已有工作），GAN-II 基於文字和低解析度影象生成256×256高分辨細節更多的圖片。
  3. 看起來很像一個GAN文字生成圖片加上一個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]
  
  1. 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。
  2. 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。