生成對抗網路（GAN）是近段時間以來最受研究者關注的機器學習方法之一，深度學習泰斗 Yann LeCun 就曾多次談到 這種機器學習理念的巨大價值和未來前景。而各類 GAN 的變體也層出不窮，近日機器之心也報導過生成對抗網路的最新進展與論文集，而本文更注重於從 GAN 及其變體的角度對其論文做一個完整的梳理。
專案地址：https://deephunt.in/the-gan-zoo-79597dc8c347
每一週都會有關於 GAN 的新論文出現，你很難對其一一記錄，而眾多 GAN 的新命名又使其難上加難。如果你想了解更多關於 GAN 的資訊，可參閱 OpenAI 一篇有關生成模型的博文，或者 Goodfellow 於 NIPS 2016 所做的生成對抗網路主題演講。
因此，下面是一個持續更新的最新列表，透過 GAN 名稱+論文（並附 arXiv 論文地址）的形式彙總並編排了所有出現的 GAN：
GAN—生成對抗網路（Generative Adversarial Networks）：https://arxiv.org/abs/1406.2661
3D-GAN—透過 3D 生成對抗網路建模學習機率性目標形潛在空間（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）：https://arxiv.org/abs/1610.07584
AdaGAN—AdaGAN：增強生成模型（AdaGAN: Boosting Generative Models）：http://arxiv.org/abs/1701.02386v1
AffGAN—影像超解析度的折舊 MAP 推斷（Amortised MAP Inference for Image Super-resolution）：https://arxiv.org/abs/1610.04490
ALI—對抗性推斷學習（Adversarially Learned Inference）：https://arxiv.org/abs/1606.00704
AMGAN—帶有最大化啟用標註資料的生成對抗網路（Generative Adversarial Nets with Labeled Data by Activation Maximization）：http://arxiv.org/abs/1703.02000v1
AnoGAN—使用生成對抗模型的無監督異常檢測引導標記的發現（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）：http://arxiv.org/abs/1703.05921v1
ArtGAN—ArtGAN: 使用條件範疇生成對抗網路合成藝術作品（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）：https://arxiv.org/abs/1702.03410
b-GAN—b-GAN: 生成對抗網路的統一架構（b-GAN: Unified Framework of Generative Adversarial Networks）：https://openreview.net/pdf?id=S1JG13oee
Bayesian GAN—深度分層隱式模型（Deep and Hierarchical Implicit Models）：https://arxiv.org/abs/1702.08896
BEGAN—BEGAN：邊界均衡生成對抗網路（BEGAN:Boundary Equilibrium Generative Adversarial Networks）：http://arxiv.org/abs/1703.10717v2
BiGAN—對抗性特徵學習（Adversarial Feature Learning）：http://arxiv.org/abs/1605.09782v7
BS-GAN—邊界查詢生成對抗網路（Boundary-Seeking Generative Adversarial Networks）：http://arxiv.org/abs/1702.08431v1
CGAN—透過條件生成對抗網路實現多樣而自然的影像描述（Towards Diverse and Natural Image Descriptions via a Conditional GAN）：http://arxiv.org/abs/1703.06029v1
CCGAN—語境條件性生成對抗網路的半監督學習（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）：https://arxiv.org/abs/1611.06430v1
CatGAN—類屬生成對抗網路的無監督和半監督學習（Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks）：http://arxiv.org/abs/1511.06390v2
CoGAN—共軛生成對抗網路（Coupled Generative Adversarial Networks）：http://arxiv.org/abs/1606.07536v2
Context-RNN-GAN—用於抽象推導圖表生成的語境性 RNN-GAN（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）：https://arxiv.org/abs/1609.09444
C-RNN-GAN—C-RNN-GAN：對抗訓練的連續性迴圈神經網路（C-RNN-GAN: Continuous recurrent neural networks with adversarial training）：https://arxiv.org/abs/1611.09904
CVAE-GAN—CVAE-GAN: 透過非對稱訓練生成細密紋路的影像（Fine-Grained Image Generation through Asymmetric Training）：https://arxiv.org/abs/1703.10155
CycleGAN—使用迴圈一致性對抗網路進行非成對圖到圖翻譯（Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks）：https://arxiv.org/abs/1703.10593
DTN—無監督跨領域影像生成（Unsupervised Cross-Domain Image Generation）：https://arxiv.org/abs/1611.02200
DCGAN—使用深度卷積生成對抗網路進行無監督表徵學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）：https://arxiv.org/abs/1511.06434
DiscoGAN—使用生成對抗網路學習發現跨領域關係（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）：http://arxiv.org/abs/1703.05192v1
DualGAN—DualGAN: 圖到圖翻譯的無監督對偶學習（Unsupervised Dual Learning for Image-to-Image Translation）：http://arxiv.org/abs/1704.02510v1
EBGAN—基於能量的生成對抗網路（Energy-based Generative Adversarial Network）：http://arxiv.org/abs/1609.03126v4
f-GAN—f-GAN：使用變分散度最小化訓練生成式神經取樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）：https://arxiv.org/abs/1606.00709
GoGAN—Gang of GANs: 使用最大間隔排序的生成對抗網路（Generative Adversarial Networks with Maximum Margin Ranking）：https://arxiv.org/abs/1704.04865
GP-GAN—GP-GAN: 走近逼真的高解析度影像混合（Towards Realistic High-Resolution Image Blending）：http://arxiv.org/abs/1703.07195v2
IAN—使用自省的對抗性網路進行神經影像編輯（Neural Photo Editing with Introspective Adversarial Networks）：https://arxiv.org/abs/1609.07093
iGAN—在自然影像流形上的生成式視覺操作（Generative Visual Manipulation on the Natural Image Manifold）：https://arxiv.org/abs/1609.03552v2
IcGAN—影像編輯的可逆條件生成對抗網路（Invertible Conditional GANs for image editing）：https://arxiv.org/abs/1611.06355
ID-CGAN- 使用條件生成對抗網路的影像 De-raining（Image De-raining Using a Conditional Generative Adversarial Network）：http://arxiv.org/abs/1701.05957v3
Improved GAN—生成對抗網路訓練的改進技術（Improved Techniques for Training GANs）：https://arxiv.org/abs/1606.03498
InfoGAN—InfoGAN：資訊最大化生成對抗網路的可解釋性表徵學習（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）：http://arxiv.org/abs/1606.03657v1
LR-GAN—LR-GAN：用於影像生成的分層遞迴生成對抗網路（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）：http://arxiv.org/abs/1703.01560v1
LSGAN—最小二乘生成對抗網路（Least Squares Generative Adversarial Networks）：http://arxiv.org/abs/1611.04076v3
LS-GAN—利普希茨密度上的損失敏感型生成對抗網路（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）：http://arxiv.org/abs/1701.06264v5
MGAN—使用馬爾可夫過程的生成對抗網路預計算實時紋理合成（Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks）：https://arxiv.org/abs/1604.04382
MAGAN—MAGAN: 生成對抗網路的邊緣自適應（Margin Adaptation for Generative Adversarial Networks）：http://arxiv.org/abs/1704.03817v1
MalGAN—基於生成對抗網路的黑箱攻擊的對抗性惡意例項生成（Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN）：http://arxiv.org/abs/1702.05983v1
MARTA-GAN—遙感影像的深度無監督表徵學習（Deep Unsupervised Representation Learning for Remote Sensing Images）：https://arxiv.org/abs/1612.08879
McGAN—McGan: 均值和協方差特徵匹配生成對抗網路（Mean and Covariance Feature Matching GAN）：http://arxiv.org/abs/1702.08398v1
MedGAN—使用生成對抗網路生成多標註的離散電子健康記錄（Generating Multi-label Discrete Electronic Health Records using Generative Adversarial Networks）：http://arxiv.org/abs/1703.06490v1
MIX+GAN—生成對抗網路中的泛化與均衡（Generalization and Equilibrium in Generative Adversarial Nets /GANs）：https://arxiv.org/abs/1703.00573v3
MPM-GAN—生成對抗網路多智慧體的資訊傳遞（Message Passing Multi-Agent GANs）：https://arxiv.org/abs/1612.01294
MV-BiGAN—多視角生成對抗網路（Multi-view Generative Adversarial Networks）：http://arxiv.org/abs/1611.02019v1
pix2pix—條件對抗網路的圖到圖翻譯（Image-to-Image Translation with Conditional Adversarial Networks）：https://arxiv.org/abs/1611.07004
PPGN—即插即用生成網路：在潛在空間中生成條件迭代影像（Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space）：https://arxiv.org/abs/1612.00005
PrGAN—從多物件 2D 視角歸納 3D 模型（3D Shape Induction from 2D Views of Multiple Objects）：https://arxiv.org/abs/1612.05872
RenderGAN—RenderGAN：生成逼真標註資料（RenderGAN: Generating Realistic Labeled Data）：https://arxiv.org/abs/1611.01331
RTT-GAN—可視段落生成的迴圈主題轉換 GAN（Recurrent Topic-Transition GAN for Visual Paragraph Generation）：https://arxiv.org/abs/1703.07022v2
SGAN—堆疊 GAN（Stacked Generative Adversarial Networks）：https://arxiv.org/abs/1612.04357v4
SGAN—空間 GAN 的紋理合成（Texture Synthesis with Spatial Generative Adversarial Networks）：https://arxiv.org/abs/1611.08207
SAD-GAN—SAD-GAN：透過 GAN 合成自動駕駛（SAD-GAN: Synthetic Autonomous Driving using Generative Adversarial Networks）：https://arxiv.org/abs/1611.08788v1
SalGAN—SalGAN：透過 GAN 預測視覺顯著度（SalGAN: Visual Saliency Prediction with Generative Adversarial Networks）：https://arxiv.org/abs/1701.01081v2
SEGAN—SEGAN：語音增強 GAN（SEGAN: Speech Enhancement Generative Adversarial Network）：https://arxiv.org/abs/1703.09452v1
SeqGAN—SeqGAN：具有策略梯度的序列 GAN ( SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient)：https://arxiv.org/abs/1609.05473v5
SketchGAN—用於草圖檢索的對抗訓練（Adversarial Training For Sketch Retrieval）：https://arxiv.org/abs/1607.02748
SL-GAN—半隱 GAN：學習根據屬性生成和修改面部影像（Semi-Latent GAN: Learning to generate and modify facial images from attributes）：https://arxiv.org/abs/1704.02166
SRGAN—使用一個 GAN 實現圖片逼真的單一影像超解析度（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）：https://arxiv.org/abs/1609.04802v3
S²GAN—使用風格與結構對抗網路建模生成影像（Generative Image Modeling using Style and Structure Adversarial Networks）：https://arxiv.org/abs/1603.05631v2
SSL-GAN—透過語境條件下的 GAN 實現半監督學習（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）：https://arxiv.org/abs/1611.06430v1
StackGAN—StackGAN：透過堆疊 GAN 合成文字到圖片的逼真影像（StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks）：https://arxiv.org/abs/1612.03242v1
TGAN—時間 GAN（Temporal Generative Adversarial Nets）：https://arxiv.org/abs/1611.06624v1
TAC-GAN—TAC-GAN—文字條件下的輔助生成器 GAN（TAC-GAN—Text Conditioned Auxiliary Classifier Generative Adversarial Network）：https://arxiv.org/abs/1703.06412v2
TP-GAN—超越人臉旋轉：透過保有正面檢視合成打造用於逼真和身份的整體與區域性感知 GAN（Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis）：https://arxiv.org/abs/1704.04086
Triple-GAN—三重 GAN（Triple Generative Adversarial Nets）：https://arxiv.org/abs/1703.02291v2
VGAN—作為能量模型變分訓練的 GAN（Generative Adversarial Networks as Variational Training of Energy Based Models）：https://arxiv.org/abs/1611.01799
VAE-GAN—使用學習的相似性度量進行超畫素自編碼（Autoencoding beyond pixels using a learned similarity metric）：https://arxiv.org/abs/1512.09300
ViGAN—透過變分資訊 GAN 生成和編輯影像（Image Generation and Editing with Variational Info Generative AdversarialNetworks）：https://arxiv.org/abs/1701.04568v1
WGAN—Wasserstein GAN：https://arxiv.org/abs/1701.07875v2
WGAN-GP—Wasserstein GAN 的改進訓練（Improved Training of Wasserstein GANs）：https://arxiv.org/abs/1704.00028
WaterGAN—WaterGAN：實時校正單目水下影像色彩的無監督生成網路（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）：https://arxiv.org/abs/1702.07392v1
機器之心報導 GAN 相關文章