資源｜生成對抗網路及其變體的論文匯總

選自Deephunt

作者：Avinash Hindupur

參與：黃小天、蔣思源

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，近日機器之心也報道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。

項目地址：https://deephunt.in/the-gan-zoo-79597dc8c347

每一周都會有關於 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。

因此，下面是一個持續更新的最新列表，通過 GAN 名稱+論文（並附 arXiv 論文地址）的形式匯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—通過 3D 生成對抗網路建模學習概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—圖像超解析度的折舊 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—帶有最大化激活標註數據的生成對抗網路（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—邊界查找生成對抗網路（Boundary-Seeking Generative Adversarial Networks）：http://arxiv.org/abs/1702.08431v1

• CGAN—通過條件生成對抗網路實現多樣而自然的圖像描述（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：對抗訓練的連續性循環神經網路（C-RNN-GAN: Continuous recurrent neural networks with adversarial training）：https://arxiv.org/abs/1611.09904

• CVAE-GAN—CVAE-GAN: 通過非對稱訓練生成細密紋路的圖像（Fine-Grained Image Generation through Asymmetric Training）：https://arxiv.org/abs/1703.10155

• CycleGAN—使用循環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—無監督跨領域圖像生成（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採樣器（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圖像混合（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圖像編輯（Neural Photo Editing with Introspective Adversarial Networks）：https://arxiv.org/abs/1609.07093

• iGAN—在自然圖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—圖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圖像 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：信息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：用於圖像生成的分層遞歸生成對抗網路（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實例生成（Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN）：http://arxiv.org/abs/1702.05983v1

• MARTA-GAN—遙感圖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—生成對抗網路多智能體的信息傳遞（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圖像（Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space）：https://arxiv.org/abs/1612.00005

• PrGAN—從多對象 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：生成逼真標註數據（RenderGAN: Generating Realistic Labeled Data）：https://arxiv.org/abs/1611.01331

• RTT-GAN—可視段落生成的循環主題轉換 GAN（Recurrent Topic-Transition GAN for Visual Paragraph Generation）：https://arxiv.org/abs/1703.07022v2

• SGAN—堆棧 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：通過 GAN 合成自動駕駛（SAD-GAN: Synthetic Autonomous Driving using Generative Adversarial Networks）：https://arxiv.org/abs/1611.08788v1

• SalGAN—SalGAN：通過 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圖像（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圖像超解析度（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圖像（Generative Image Modeling using Style and Structure Adversarial Networks）：https://arxiv.org/abs/1603.05631v2

• SSL-GAN—通過語境條件下的 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：通過堆棧 GAN 合成文本到圖片的逼真圖像（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—文本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：通過保有正面視圖合成打造用於逼真和身份的整體與局部感知 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像素自編碼（Autoencoding beyond pixels using a learned similarity metric）：https://arxiv.org/abs/1512.09300

• ViGAN—通過變分信息 GAN 生成和編輯圖像（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：實時校正單目水下圖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