關(guān)于生成式對抗學(xué)習(xí)（Generative Adversarial Network， GAN）相關(guān)文章的閱讀整理以及資源匯總。

文章：

GeneraTIve Adversarial Nets （2014）［paper］［code］

Ian Goodfellow第一篇提及生成式對抗學(xué)習(xí)的文章，開創(chuàng)性的工作。

– 提出了通過對抗網(wǎng)絡(luò)來估計(jì)生成模型。

– 理論闡述了模型的損失函數(shù)及其訓(xùn)練方法。

代碼已經(jīng)集成到Theano等機(jī)器學(xué)習(xí)框架中。

Unsupervised RepresentaTIon Learning with Deep ConvoluTIonal GeneraTIve Adversarial Networks（2015）［paper］［code］

提出了生成式對抗網(wǎng)絡(luò)（GANs）與卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的結(jié)合的深度卷積生成對抗網(wǎng)絡(luò)（DCGANs）。

將訓(xùn)練好的的判別模型用于圖像分類，和其他無監(jiān)督方法的結(jié)果具有可比較性。

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

Network（2016）［paper］ ［code］

利用GAN來完成低分辨率圖像的高清化。

GAN在圖片高清化問題上的成功應(yīng)用，清晰明了，效果顯著，很有參考性。

StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network（2016）［paper］［code］

GAN用于基于文字描述的圖片生成。

兩個GAN，GAN-I 用于生成6464的低分辨率圖像（前人已有工作），GAN-II 基于文字和低分辨率圖像生成256256高分辨細(xì)節(jié)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(jīng)獨(dú)立研究的工作，但是作者解釋了里面的不同。GAN-II里面也融合了文字描述，有額外的信息輸入，不像圖片高清化里沒有額外信息。

NIPS 2016 Tutorial： Generative Adversarial Networks （2016）［paper］

大神Goodfellow在NIPS2016 Tutorial之后的總結(jié)以及會上提到重要問題的回答?？偨Y(jié)性很強(qiáng)，內(nèi)容很多（57頁），干貨很多。

內(nèi)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