GAN总结

论文	备注
Generative Adversarial Nets	GAN原始论文, 提出了对抗结构和原始优化目标函数 $\underset {G} {min} \underset {D} {max} V(D,G) = E_{x \sim p_{data}(x)}[log(D(x))] + E_{x \sim P_{g_z(z)}}[log(1 - D(g(z)))]$
Conditional Generative Adversarial Nets	加了条件作为额外的输入,可以用于给生成指定类别的图像和和图像打标签
Unsupervised representation learning with deep convolutional Generative Adersarial Networks	DCGAN, 提出一种新的生成器结构改善生成图像效果,并对训练出的模型的可视化做了探索
Towards Principled Methods for Training Generative Adversarial Networks	首次从数学的角度聊GAN,分析了之前GAN中所存在的问题,提出了加噪声的解决方案
Wasserstein GAN	提出了用Wasserstein距离代替JS散度的方案,解决了训练不稳定,模型坍塌的问题,并提供了一种模型训练进度的可量化指标