【每周CV论文推荐】 初学GAN必须要读的文章

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

GAN作为当前最有前途，也最烧钱的方向之一，值得每一个从事CV领域的同学跟进，今天给大家介绍入行GAN需要读的文章。

作者&编辑 | 言有三

1 GAN

首先当然是要读GAN之父Goodfellow的文章[2]了，引用量已经超过了10000+，不过因为GAN模型同时包含了生成学习和判别学习模型，也推荐大家读一读文[1]对两者的对比。

文章引用量：10000+

推荐指数：✦✦✦✦✦

[1] Ng A Y, Jordan M I. On discriminative vs. generative classifiers: A comparison of logistic regression and naive bayes[C]//Advances in neural information processing systems. 2002: 841-848.

[2] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Advances in neural information processing systems. 2014: 2672-2680.

2 DCGAN

作为第一个全卷积GAN，简单，有效，对机器的要求不高，谁都可以上手在短时期来完成图像生成任务，领略GAN的神奇之处。

文章引用量：4000+

推荐指数：✦✦✦✦✦

[3] Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

3 CGAN和InfoGAN

GAN虽然是无监督模型，DCGAN固然也好用，但是加了条件控制之后才能做更多的事情。CGAN是第一个条件GAN模型，能够控制生成数字的细节。Infogan是无监督的cgan，通过隐变量约束c与生成数据之间的关系，它们是后面出现的更加强大的条件GAN的基础。

文章引用量：2000+

推荐指数：✦✦✦✦✦

[4] Mirza M, Osindero S. Conditional generative adversarial nets[J]. arXiv preprint arXiv:1411.1784, 2014.

[5] Chen X, Duan Y, Houthooft R, et al. Infogan: Interpretable representation learning by information maximizing generative adversarial nets[C]//Advances in neural information processing systems. 2016: 2172-2180.

4 级连GAN

原始的GAN生成图的分辨率太小，无法实用，为了更加稳定地生成更加高清的图，LAPGAN[6]/StackedGAN[7]借鉴了图像中的金字塔算法，各自提出级连的GAN结构。NVIDIA则在Progressive GAN中首次将图像生成到了1024分辨率，效果惊人。

文章引用量：1000+

推荐指数：✦✦✦✦✧

[6] 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.

[7] Huang X, Li Y, Poursaeed O, et al. Stacked generative adversarial networks[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). [8] Karras T, Aila T, Laine S, et al. Progressive growing of gans for improved quality, stability, and variation[J]. arXiv preprint arXiv:1710.10196, 2017.