Question

生成对抗网络（GAN）是近段时间以来最受研究者关注的机器学习方法之一，深度学习泰斗 Yann LeCun 就曾多次谈到 这种机器学习理念的巨大价值和未来前景。而各类 GAN 的变体也层出不穷，近日机器之心也报道过 生成对抗网络的最新进展与论文集 ，而本文更注重于从 GAN 及其变体的角度对其论文做一个完整的梳理。

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

每一周都会有关于 GAN 的新论文出现，你很难对其一一记录，而众多 GAN 的新命名又使其难上加难。如果你想了解更多关于 GAN 的信息，可参阅 OpenAI 一篇有关生成模型的博文 ，或者 Goodfellow 于 NIPS 2016 所做的生成对抗网络主题演讲 。

因此，下面是一个持续更新的最新列表，通过 GAN 名称+论文（并附 arXiv 论文地址）的形式汇总并编排了所有出现的 GAN：

• GAN—生成对抗网络（Generative Adversarial Networks）：https://arxiv.org/abs/1406.2661
• 3D-GAN—通过 3D 生成对抗网络建模学习概率性目标形潜在空间（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）：https://arxiv.org/abs/1610.07584
• AdaGAN—AdaGAN：增强生成模型（AdaGAN: Boosting Generative Models）：http://arxiv.org/abs/1701.02386v1
• AffGAN—图像超分辨率的折旧 MAP 推断（Amortised MAP Inference for Image Super-resolution）：https://arxiv.org/abs/1610.04490
• ALI—对抗性推断学习（Adversarially Learned Inference）：https://arxiv.org/abs/1606.00704
• AMGAN—带有最大化激活标注数据的生成对抗网络（Generative Adversarial Nets with Labeled Data by Activation Maximization）：http://arxiv.org/abs/1703.02000v1
• AnoGAN—使用生成对抗模型的无监督异常检测引导标记的发现（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）：http://arxiv.org/abs/1703.05921v1
• ArtGAN—ArtGAN: 使用条件范畴生成对抗网络合成艺术作品（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）：https://arxiv.org/abs/1702.03410
• b-GAN—b-GAN: 生成对抗网络的统一架构（b-GAN: Unified Framework of Generative Adversarial Networks）：https://openreview.net/pdf?id=S1JG13oee
• Bayesian GAN—深度分层隐式模型（Deep and Hierarchical Implicit Models）：https://arxiv.org/abs/1702.08896
• BEGAN—BEGAN：边界均衡生成对抗网络（BEGAN:Boundary Equilibrium Generative Adversarial Networks）：http://arxiv.org/abs/1703.10717v2
• BiGAN—对抗性特征学习（Adversarial Feature Learning）：http://arxiv.org/abs/1605.09782v7
• BS-GAN—边界查找生成对抗网络（Boundary-Seeking Generative Adversarial Networks）：http://arxiv.org/abs/1702.08431v1
• CGAN—通过条件生成对抗网络实现多样而自然的图像描述（Towards Diverse and Natural Image Descriptions via a Conditional GAN）：http://arxiv.org/abs/1703.06029v1
• CCGAN—语境条件性生成对抗网络的半监督学习（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）：https://arxiv.org/abs/1611.06430v1
• CatGAN—类属生成对抗网络的无监督和半监督学习（Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks）：http://arxiv.org/abs/1511.06390v2
• CoGAN—共轭生成对抗网络（Coupled Generative Adversarial Networks）：http://arxiv.org/abs/1606.07536v2
• Context-RNN-GAN—用于抽象推导图表生成的语境性 RNN-GAN（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）：https://arxiv.org/abs/1609.09444
• C-RNN-GAN—C-RNN-GAN：对抗训练的连续性循环神经网络（C-RNN-GAN: Continuous recurrent neural networks with adversarial training）：https://arxiv.org/abs/1611.09904
• CVAE-GAN—CVAE-GAN: 通过非对称训练生成细密纹路的图像（Fine-Grained Image Generation through Asymmetric Training）：https://arxiv.org/abs/1703.10155
• CycleGAN—使用循环一致性对抗网络进行非成对图到图翻译（Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks）：https://arxiv.org/abs/1703.10593
• DTN—无监督跨领域图像生成（Unsupervised Cross-Domain Image Generation）：https://arxiv.org/abs/1611.02200
• DCGAN—使用深度卷积生成对抗网络进行无监督表征学习（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）：https://arxiv.org/abs/1511.06434
• DiscoGAN—使用生成对抗网络学习发现跨领域关系（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）：http://arxiv.org/abs/1703.05192v1
• DualGAN—DualGAN: 图到图翻译的无监督对偶学习（Unsupervised Dual Learning for Image-to-Image Translation）：http://arxiv.org/abs/1704.02510v1
• EBGAN—基于能量的生成对抗网络（Energy-based Generative Adversarial Network）：http://arxiv.org/abs/1609.03126v4
• f-GAN—f-GAN：使用变分散度最小化训练生成式神经采样器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）：https://arxiv.org/abs/1606.00709
• GoGAN—Gang of GANs: 使用最大间隔排序的生成对抗网络（Generative Adversarial Networks with Maximum Margin Ranking）：https://arxiv.org/abs/1704.04865
• GP-GAN—GP-GAN: 走近逼真的高分辨率图像混合（Towards Realistic High-Resolution Image Blending）：http://arxiv.org/abs/1703.07195v2
• IAN—使用自省的对抗性网络进行神经图像编辑（Neural Photo Editing with Introspective Adversarial Networks）：https://arxiv.org/abs/1609.07093
• iGAN—在自然图像流形上的生成式视觉操作（Generative Visual Manipulation on the Natural Image Manifold）：https://arxiv.org/abs/1609.03552v2
• IcGAN—图像编辑的可逆条件生成对抗网络（Invertible Conditional GANs for image editing）：https://arxiv.org/abs/1611.06355
• ID-CGAN- 使用条件生成对抗网络的图像 De-raining（Image De-raining Using a Conditional Generative Adversarial Network）：http://arxiv.org/abs/1701.05957v3
• Improved GAN—生成对抗网络训练的改进技术（Improved Techniques for Training GANs）：https://arxiv.org/abs/1606.03498
• InfoGAN—InfoGAN：信息最大化生成对抗网络的可解释性表征学习（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）：http://arxiv.org/abs/1606.03657v1
• LR-GAN—LR-GAN：用于图像生成的分层递归生成对抗网络（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）：http://arxiv.org/abs/1703.01560v1
• LSGAN—最小二乘生成对抗网络（Least Squares Generative Adversarial Networks）：http://arxiv.org/abs/1611.04076v3
• LS-GAN—利普希茨密度上的损失敏感型生成对抗网络（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）：http://arxiv.org/abs/1701.06264v5
• MGAN—使用马尔可夫过程的生成对抗网络预计算实时纹理合成（Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks）：https://arxiv.org/abs/1604.04382
• MAGAN—MAGAN: 生成对抗网络的边缘自适应（Margin Adaptation for Generative Adversarial Networks）：http://arxiv.org/abs/1704.03817v1
• MalGAN—基于生成对抗网络的黑箱攻击的对抗性恶意实例生成（Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN）：http://arxiv.org/abs/1702.05983v1
• MARTA-GAN—遥感图像的深度无监督表征学习（Deep Unsupervised Representation Learning for Remote Sensing Images）：https://arxiv.org/abs/1612.08879
• McGAN—McGan: 均值和协方差特征匹配生成对抗网络（Mean and Covariance Feature Matching GAN）：http://arxiv.org/abs/1702.08398v1
• MedGAN—使用生成对抗网络生成多标注的离散电子健康记录（Generating Multi-label Discrete Electronic Health Records using Generative Adversarial Networks）：http://arxiv.org/abs/1703.06490v1
• MIX+GAN—生成对抗网络中的泛化与均衡（Generalization and Equilibrium in Generative Adversarial Nets /GANs）：https://arxiv.org/abs/1703.00573v3
• MPM-GAN—生成对抗网络多智能体的信息传递（Message Passing Multi-Agent GANs）：https://arxiv.org/abs/1612.01294
• MV-BiGAN—多视角生成对抗网络（Multi-view Generative Adversarial Networks）：http://arxiv.org/abs/1611.02019v1
• pix2pix—条件对抗网络的图到图翻译（Image-to-Image Translation with Conditional Adversarial Networks）：https://arxiv.org/abs/1611.07004
• PPGN—即插即用生成网络：在潜在空间中生成条件迭代图像（Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space）：https://arxiv.org/abs/1612.00005
• PrGAN—从多对象 2D 视角归纳 3D 模型（3D Shape Induction from 2D Views of Multiple Objects）：https://arxiv.org/abs/1612.05872
• RenderGAN—RenderGAN：生成逼真标注数据（RenderGAN: Generating Realistic Labeled Data）：https://arxiv.org/abs/1611.01331
• RTT-GAN—可视段落生成的循环主题转换 GAN（Recurrent Topic-Transition GAN for Visual Paragraph Generation）：https://arxiv.org/abs/1703.07022v2
• SGAN—堆栈 GAN（Stacked Generative Adversarial Networks）：https://arxiv.org/abs/1612.04357v4
• SGAN—空间 GAN 的纹理合成（Texture Synthesis with Spatial Generative Adversarial Networks）：https://arxiv.org/abs/1611.08207
• SAD-GAN—SAD-GAN：通过 GAN 合成自动驾驶（SAD-GAN: Synthetic Autonomous Driving using Generative Adversarial Networks）：https://arxiv.org/abs/1611.08788v1
• SalGAN—SalGAN：通过 GAN 预测视觉显著度（SalGAN: Visual Saliency Prediction with Generative Adversarial Networks）：https://arxiv.org/abs/1701.01081v2
• SEGAN—SEGAN：语音增强 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—用于草图检索的对抗训练（Adversarial Training For Sketch Retrieval）：https://arxiv.org/abs/1607.02748
• SL-GAN—半隐 GAN：学习根据属性生成和修改面部图像（Semi-Latent GAN: Learning to generate and modify facial images from attributes）：https://arxiv.org/abs/1704.02166
• SRGAN—使用一个 GAN 实现图片逼真的单一图像超分辨率（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）：https://arxiv.org/abs/1609.04802v3
• S²GAN—使用风格与结构对抗网络建模生成图像（Generative Image Modeling using Style and Structure Adversarial Networks）：https://arxiv.org/abs/1603.05631v2
• SSL-GAN—通过语境条件下的 GAN 实现半监督学习（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）：https://arxiv.org/abs/1611.06430v1
• StackGAN—StackGAN：通过堆栈 GAN 合成文本到图片的逼真图像（StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks）：https://arxiv.org/abs/1612.03242v1
• TGAN—时间 GAN（Temporal Generative Adversarial Nets）：https://arxiv.org/abs/1611.06624v1
• TAC-GAN—TAC-GAN—文本条件下的辅助生成器 GAN（TAC-GAN—Text Conditioned Auxiliary Classifier Generative Adversarial Network）：https://arxiv.org/abs/1703.06412v2
• TP-GAN—超越人脸旋转：通过保有正面视图合成打造用于逼真和身份的整体与局部感知 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—作为能量模型变分训练的 GAN（Generative Adversarial Networks as Variational Training of Energy Based Models）：https://arxiv.org/abs/1611.01799
• VAE-GAN—使用学习的相似性度量进行超像素自编码（Autoencoding beyond pixels using a learned similarity metric）：https://arxiv.org/abs/1512.09300
• ViGAN—通过变分信息 GAN 生成和编辑图像（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 的改进训练（Improved Training of Wasserstein GANs）：https://arxiv.org/abs/1704.00028
• WaterGAN—WaterGAN：实时校正单目水下图像色彩的无监督生成网络（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）：https://arxiv.org/abs/1702.07392v1