綜合論文摘要以及網上文章整理。

2014年，蒙特利爾大學的Ian Goodfellow和他的同事創造了生成式對抗網路(GAN)
論文：Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C].Advances in Neural Information Processing Systems. 2014: 2672-2680.

2014年，Goodfellow在論文的最後他指出了GAN的優缺點以及未來的研究方向和拓展，其中他提到的第一點拓展就是：A conditional generative model p(x|c) can be obtained by adding c as input to both G and D。同年，Mirza等人就提出了一種Conditional Generative Adversarial Networks，這是一種帶條件約束的生成對抗模型，可以看成是把無監督的GAN變成有監督模型的一種改進，這個改進也被證明是非常有效的，為後續的相關工作提供了指導作用。
論文：Mirza M, Osindero S. Conditional Generative Adversarial Nets[J]. Computer Science, 2014:2672-2680.

2015年，Facebook的Emily Denton等人基於GAN和CGAN提出了LAPGAN（拉普拉斯金字塔生成式對抗網路）,為了改進 GAN 太自由的問題，不讓GAN一次完成全部任務，而是一次生成一部分，分多次生成一張完整的圖片。
論文：Denton E L, Chintala S, Fergus R. Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks[C]. Advances in neural information processing systems. 2015: 1486-1494.

2015年，Alec Radford結合CNN在有監督學習的成功（CGAN）和無監督學習以及LAPGAN的成果，提出一類被稱為“深度卷積生成對抗網路（DCGANs），使用生成模型和判別模型，從物體物件到場景影象，學習到一種層次的表徵。最後，使用學習到的特徵實現新任務——闡明它們可以用於生成影象的表徵。
論文：Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

2015年，GAN的判別網路需要學習圖片中的豐富特徵。因此Anders Boesen Lindbo Larsen等人整合了GAN的高質量生成模型優點和VAE的隱變數學習。VAE的生成使用GAN，整合了VAE和GAN。
論文：Larsen A B L, Sønderby S K, Winther O. Autoencoding beyond pixels using a learned similarity metric[J]. arXiv preprint arXiv:1512.09300, 2015.

2015年，Jost Tobias Springenberg提出一種從為標記或部分標記資料中學習判別分類器的方法。方法是基於一個目標函式，在觀測樣本和他們預測的類別分佈間trades-off(交換，權衡)互資訊，against生成對抗模型的分類器的魯棒性。
論文：Jost Tobias Springenberg. Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks[J]. arXiv preprint arXiv:1511.06390, 2015.

2016年，Daniel Jiwoong Im等人提出通過優化畫素匹配CNN中影象特徵渲染高質量影象的一種方法，同時提出了定量比較生成器和判別器的方法。
論文：Daniel Jiwoong Im, Chris Dongjoo Kim et al. Generating images with recurrent adversarial networks[J]. arXiv preprint arXiv:1602.05110, 2016.

2016年，雖然經過訓練的GAN可以生成新的影象，但是它卻無法解決一個問題——生成具有某種特徵的影象。Chen X等人提出InfoGAN，InfoGAN是一種能夠無監督的學習非耦合表示關係（disentangled representation）的GAN，從資訊理論的角度嘗試解決GAN隱變數可解釋性問題。
論文：Chen X, Duan Y, Houthooft R, et al. InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets[J]. arXiv preprint arXiv:1606.03657, 2016.

2016年，Alexey Kurakin, Ian Goodfellow等人表明在在物理世界中，機器學習容易受到對抗性例子的影響，
論文：Alexey Kurakin, Ian Goodfellow, Samy Bengio. Adversarial examples in the physical world[J]. arXiv preprint arXiv:1607.02533, 2016.

2016年，Goodfellow等人提出了新的目標函式，判別網路按照原來的方式訓練。相比原先的方式，生成網路G產生的資料更符合資料的真實分佈。雖然不保證能夠收斂到納什均衡點，但是在傳統GAN不能穩定收斂的情況下，新的目標函式仍然有效。
論文：Salimans T, Goodfellow I, Zaremba W, et al.
Improved Techniques for Training GANs[J]. arXiv preprint arXiv:1606.03498, 2016.

2016年，Augustus Odena提出了一種通過強制判別網路輸出標籤的方法使用GAN進行版監督學習。
論文： Augustus Odena. Semi-Supervised Learning with Generative Adversarial Networks[J]. arXiv preprint arXiv:1606.01583, 2016.

2017年，Martin Arjovsky等人發表《Towards Principled Methods for Training Generative Adversarial Networks》沒有介紹任何演算法和方法，而是充分解釋了GAN訓練的動態過程。一個多星期後發表《Wasserstein GAN》，徹底解決GAN訓練不穩定的問題，不再需要小心平衡生成器和判別器的訓練程度，基本解決了collapse mode的問題，確保了生成樣本的多樣性 ，訓練過程中終於有一個像交叉熵、準確率這樣的數值來指示訓練的程序，這個數值越小代表GAN訓練得越好，代表生成器產生的影象質量越高，以上一切好處不需要精心設計的網路架構，最簡單的多層全連線網路就可以做到。具體做法：1）判別器最後一層去掉sigmoid。2）生成器和判別器的loss不取log。3）每次更新判別器的引數之後把它們的絕對值截斷到不超過一個固定常數c。4）不要用基於動量的優化演算法（包括momentum和Adam），推薦使用RMSProp。
論文：
Martin Arjovsky, Léon Bottou. Towards Principled Methods for Training Generative Adversarial Networks[J]. arXiv preprint arXiv:1701.04862, 2017
Martin Arjovsky, Soumith Chintala, Léon Bottou. Wasserstein GAN[J]. arXiv preprint arXiv:1701.07875, 2017