生成式對抗網路GAN彙總
阿新 • • 發佈:2019-01-06
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]
- 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。 - 程式碼已經整合到Theano等機器學習框架中。
- Ian Goodfellow第一篇提及生成式對抗學習的文章,開創性的工作。
Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(2015)
- 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)。
- 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]
- 利用GAN來完成低解析度影象的高清化。
- 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)
- GAN用於基於文字描述的圖片生成。
- 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。 - 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]
- 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。