生成對抗網絡（GAN）專知薈萃

一、理論學習

1. 訓練GANs的技巧

參考鏈接：[http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf] 2. Energy-Based GANs 以及Yann Le Cun 的相關研究
參考鏈接：[http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf] 3. 模式正則化GAN
參考鏈接：[https://arxiv.org/pdf/1612.02136.pdf] 4. 最新NIPS2016也有最新的關於訓練GAN模型的總結
參考鏈接：[https://github.com/soumith/ganhacks] 5. The GAN Zoo千奇百怪的生成對抗網絡，都在這裏了。你沒看錯，裏麵已經有有近百個了。
參考鏈接： [https://github.com/hindupuravinash/the-gan-zoo]

二、綜述

1.中科院自動化所 中文綜述 《生成式對抗網絡 GAN 的研究進展與展望》
參考鏈接：[https://pan.baidu.com/s/1dEMITo9] 密碼: qqcc

三、報告

1. Ian Goodfellow的GANs報告ICCV 2017
   參考鏈接：[https://pan.baidu.com/s/1bpIZvfL]
2. Ian Goodfellow的GANs報告ICCV 2017的中文講稿
   參考鏈接：[https://mp.weixin.qq.com/s/nPBFrnO3_QJjAzm37G5ceQ]
3. Ian Goodfellow的GANs報告NIPS 2016
   參考鏈接：[http://www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf]
4. Ian Goodfellow的GANs報告NIPS 2016 的中文講稿
   參考鏈接：[http://www.sohu.com/a/121189842_465975]
5. Russ Salakhutdinov的深度生成模型
   參考鏈接：[http://www.cs.toronto.edu/~rsalakhu/talk_Montreal_2016_Salakhutdinov.pdf]

四、教程

1. NIPS 2016教程：生成對抗網絡

參考鏈接：[https://arxiv.org/pdf/1701.00160.pdf] 2. 訓練GANs的技巧和竅門
參考鏈接：[https://github.com/soumith/ganhacks] 3. OpenAI生成模型
參考鏈接：[https://blog.openai.com/generative-models/] 4. 用Keras實現MNIST生成對抗模型
參考鏈接：[https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/] 5. 用深度學習TensorFlow實現圖像修複
參考鏈接：[http://bamos.github.io/2016/08/09/deep-completion/]

五、中文博客資料

1.生成對抗網絡初學入門：一文讀懂GAN的基本原理
[http://www.xtecher.com/Xfeature/view?aid=7496]
2.深入淺出：GAN原理與應用入門介紹
[https://zhuanlan.zhihu.com/p/28731033]
3.港理工在讀博士李嫣然深入淺出GAN之應用篇
參考鏈接：鏈接: [https://pan.baidu.com/s/1o8n4UDk] 密碼: 78wt
4.萌物生成器：如何使用四種GAN製造貓圖
參考鏈接：[https://zhuanlan.zhihu.com/p/27769807]
5.GAN學習指南：從原理入門到製作生成Demo
參考鏈接：[https://zhuanlan.zhihu.com/p/24767059x]
6.生成式對抗網絡GAN研究進展
參考鏈接：[http://blog.csdn.net/solomon1558/article/details/52537114]
7.生成對抗網絡（GAN）的前沿進展（論文、報告、框架和Github資源）彙總
參考鏈接：[http://blog.csdn.net/love666666shen/article/details/74953970]

六、Github資源以及模型

1. 深度卷積生成對抗模型（DCGAN）

參考鏈接：[https://github.com/Newmu/dcgan_code]
2. TensorFlow實現深度卷積生成對抗模型（DCGAN）
參考鏈接：[https://github.com/carpedm20/DCGAN-tensorflow]
3. Torch實現深度卷積生成對抗模型（DCGAN）
參考鏈接：[https://github.com/soumith/dcgan.torch]
4. Keras實現深度卷積生成對抗模型（DCGAN）
參考鏈接：[https://github.com/jacobgil/keras-dcgan]
5. 使用神經網絡生成自然圖像（Facebook的Eyescream項目）
參考鏈接：[https://github.com/facebook/eyescream]
6. 對抗自編碼（AdversarialAutoEncoder）
參考鏈接：[https://github.com/musyoku/adversarial-autoencoder]
7. 利用ThoughtVectors 實現文本到圖像的合成
參考鏈接：[https://github.com/paarthneekhara/text-to-image]
8. 對抗樣本生成器（Adversarialexample generator）
參考鏈接：[https://github.com/e-lab/torch-toolbox/tree/master/Adversarial]
9. 深度生成模型的半監督學習
參考鏈接：[https://github.com/dpkingma/nips14-ssl]
10. GANs的訓練方法
參考鏈接：[https://github.com/openai/improved-gan]
11. 生成式矩匹配網絡（Generative Moment Matching Networks, GMMNs）
參考鏈接：[https://github.com/yujiali/gmmn]
12. 對抗視頻生成
參考鏈接：[https://github.com/dyelax/Adversarial_Video_Generation]
13. 基於條件對抗網絡的圖像到圖像翻譯（pix2pix）
參考鏈接：[https://github.com/phillipi/pix2pix]
14. 對抗機器學習庫Cleverhans,
參考鏈接：[https://github.com/openai/cleverhans]

七、最新研究論文

2014

1. 對抗實例的解釋和利用（Explaining and Harnessing Adversarial Examples）2014
   原文鏈接：[https://arxiv.org/pdf/1412.6572.pdf]
2. 基於深度生成模型的半監督學習（ Semi-Supervised Learning with Deep Generative Models ）2014
   原文鏈接：[https://arxiv.org/pdf/1406.5298v2.pdf]
3. 條件生成對抗網絡（Conditional Generative Adversarial Nets）2014
   原文鏈接：[https://arxiv.org/pdf/1411.1784v1.pdf]

2015

1. 基於深度卷積生成對抗網絡的無監督學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks (DCGANs)）2015
   原文鏈接：[https://arxiv.org/pdf/1511.06434v2.pdf]
2. 基於拉普拉斯金字塔生成式對抗網絡的深度圖像生成模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）2015
   原文鏈接：[http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5. laplacian-pyramid-of-adversarial-networks.pdf]
3. 生成式矩匹配網絡（Generative Moment Matching Networks）2015
   原文鏈接：[http://proceedings.mlr.press/v37/li15.pdf]
4. 超越均方誤差的深度多尺度視頻預測（Deep multi-scale video prediction beyond mean square error）2015
   原文鏈接：[https://arxiv.org/pdf/1511.05440.pdf]
5. 通過學習相似性度量的超像素自編碼（Autoencoding beyond pixels using a learned similarity metric）2015
   原文鏈接：[https://arxiv.org/pdf/1512.09300.pdf]
6. 對抗自編碼（Adversarial Autoencoders）2015
   原文鏈接：[https://arxiv.org/pdf/1511.05644.pdf]
7. 基於像素卷積神經網絡的條件生成圖片（Conditional Image Generation with PixelCNN Decoders）2015
   原文鏈接：[https://arxiv.org/pdf/1606.05328.pdf]
8. 通過平均差異最大優化訓練生成神經網絡（Training generative neural networks via Maximum Mean Discrepancy optimization）2015
   原文鏈接：[https://arxiv.org/pdf/1505.03906.pdf]

2016

1. 訓練GANs的一些技巧（Improved Techniques for Training GANs）2016
   原文鏈接：[https://arxiv.org/pdf/1606.03498v1.pdf]
2. InfoGAN:基於信息最大化GANs的可解釋表達學習（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）2016
   原文鏈接：[https://arxiv.org/pdf/1606.03657v1.pdf]
   3.上下文像素編碼：通過修複進行特征學習（Context Encoders: Feature Learning by Inpainting）2016 原文鏈接： [http://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf]
3. 生成對抗網絡實現文本合成圖像（Generative Adversarial Text to Image Synthesis）2016
   原文鏈接：[http://proceedings.mlr.press/v48/reed16.pdf]
4. 對抗特征學習（Adversarial Feature Learning）2016
   原文鏈接：[https://arxiv.org/pdf/1605.09782.pdf]
5. 結合逆自回歸流的變分推理（Improving Variational Inference with Inverse Autoregressive Flow ）2016
   原文鏈接： [https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf]
6. 深度學習係統對抗樣本黑盒攻擊（Practical Black-Box Attacks against Deep Learning Systems using Adversarial Examples）2016
   原文鏈接：[https://arxiv.org/pdf/1602.02697.pdf]
7. 參加，推斷，重複：基於生成模型的快速場景理解（Attend, infer, repeat: Fast scene understanding with generative models）2016
   原文鏈接：[https://arxiv.org/pdf/1603.08575.pdf]
8. f-GAN: 使用變分散度最小化訓練生成神經采樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization ）2016
   原文鏈接： [http://papers.nips.cc/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf]
   10.在自然圖像流形上的生成視覺操作（Generative Visual Manipulation on the Natural Image Manifold）2016
   原文鏈接：[https://arxiv.org/pdf/1609.03552.pdf]
9. 對抗性推斷學習（Adversarially Learned Inference）2016
   原文鏈接：[https://arxiv.org/pdf/1606.00704.pdf]
10. 基於循環對抗網絡的圖像生成（Generating images with recurrent adversarial networks）2016
    原文鏈接：[https://arxiv.org/pdf/1602.05110.pdf]
11. 生成對抗模仿學習(Generative Adversarial Imitation Learning）2016
    原文鏈接：[http://papers.nips.cc/paper/6391-generative-adversarial-imitation-learning.pdf]
12. 基於3D生成對抗模型學習物體形狀的概率隱空間（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）2016
    原文鏈接：[https://arxiv.org/pdf/1610.07584.pdf]
13. 學習畫畫（Learning What and Where to Draw）2016
    原文鏈接：[https://arxiv.org/pdf/1610.02454v1.pdf]
14. 基於輔助分類器GANs的條件圖像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）2016
    原文鏈接：[https://arxiv.org/pdf/1610.09585.pdf]
15. 隱生成模型的學習（Learning in Implicit Generative Models）2016
    原文：[https://arxiv.org/pdf/1610.03483.pdf]
16. VIME: 變分信息最大化探索（VIME: Variational Information Maximizing Exploration）2016
    原文鏈接： [http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf]
17. 生成對抗網絡的展開（Unrolled Generative Adversarial Networks）2016
    原文鏈接：[https://arxiv.org/pdf/1611.02163.pdf]
18. 基於內省對抗網絡的神經圖像編輯（Neural Photo Editing with Introspective Adversarial Networks）2016
    原文鏈接：[https://arxiv.org/pdf/1609.07093.pdf]
19. 基於解碼器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models ）2016
    原文鏈接：[https://arxiv.org/pdf/1611.04273.pdf]
20. 結合生成對抗網絡和Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）2016
    原文鏈接：[https://arxiv.org/pdf/1610.01945.pdf]
21. 通過對抗網絡使用模擬和非監督圖像訓練（ Learning from Simulated and Unsupervised Images through Adversarial Training）2016
    原文鏈接：[https://arxiv.org/pdf/1612.07828.pdf]
22. 基於上下文RNN-GANs的抽象推理圖的生成（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）2016
    原文鏈接：[https://arxiv.org/pdf/1609.09444.pdf]
23. 生成多對抗網絡（Generative Multi-Adversarial Networks）2016
    原文鏈接：[https://arxiv.org/pdf/1611.01673.pdf]
24. 生成對抗網絡組合（Ensembles of Generative Adversarial Network）2016
    原文鏈接：[https://arxiv.org/pdf/1612.00991.pdf]
25. 改進生成器目標的GANs(Improved generator objectives for GANs) 2016
    原文鏈接：[https://arxiv.org/pdf/1612.02780.pdf]

2017

1. 訓練生成對抗網絡的基本方法（Towards Principled Methods for Training Generative Adversarial Networks）2017
   原文鏈接：[https://arxiv.org/pdf/1701.04862.pdf]
2. 生成對抗模型的隱向量精準修複（Precise Recovery of Latent Vectors from Generative Adversarial Networks）2017
   原文鏈接：[https://openreview.NET/pdf?id=HJC88BzFl]
3. 生成混合模型（Generative Mixture of Networks）2017
   原文鏈接：[https://arxiv.org/pdf/1702.03307.pdf]
4. 記憶生成時空模型（Generative Temporal Models with Memory）2017
   原文鏈接：[https://arxiv.org/pdf/1702.04649.pdf]
5. 止GAN暴力：生成性非對抗模型（Stopping GAN Violence: Generative Unadversarial Networks）2017
   原文鏈接：[https://arxiv.org/pdf/1703.02528.pdf]
6. 貝葉斯GANs:貝葉斯與GAN結合（Bayesian GAN) 原文鏈接：https://arxiv.org/abs/1705.09558

---

初步版本，水平有限，有錯誤或者不完善的地方，歡迎大家提建議和補充，會一直保持更新，敬請關注//www.webtourguide.com和關注專知公眾號，獲取第一手AI相關知識