保时捷召回部分进口2015-2018款Macan（迈凯）系列汽车 拟存在燃油泄漏风险

关于生成式对抗学习（Generative Adversarial Network， GAN）相关文章的阅读整理以及资源汇总。

文章：

GeneraTIve Adversarial Nets （2014）［paper］［code］

Ian Goodfellow第一篇提及生成式对抗学习的文章，开创性的工作。

– 提出了通过对抗网络来估计生成模型。

– 理论阐述了模型的损失函数及其训练方法。

代码已经集成到Theano等机器学习框架中。

Unsupervised RepresentaTIon Learning with Deep ConvoluTIonal GeneraTIve Adversarial Networks（2015）［paper］［code］

提出了生成式对抗网络（GANs）与卷积神经网络（CNNs）的结合的深度卷积生成对抗网络（DCGANs）。

将训练好的的判别模型用于图像分类，和其他无监督方法的结果具有可比较性。

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial

Network（2016）［paper］ ［code］

利用GAN来完成低分辨率图像的高清化。

GAN在图片高清化问题上的成功应用，清晰明了，效果显著，很有参考性。

StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network（2016）［paper］［code］

GAN用于基于文字描述的图片生成。

两个GAN，GAN-I 用于生成6464的低分辨率图像（前人已有工作），GAN-II 基于文字和低分辨率图像生成256256高分辨细节更多的图片。

看起来很像一个GAN文字生成图片加上一个GAN图片高清化，这是两个已经独立研究的工作，但是作者解释了里面的不同。GAN-II里面也融合了文字描述，有额外的信息输入，不像图片高清化里没有额外信息。

NIPS 2016 Tutorial： Generative Adversarial Networks （2016）［paper］

大神Goodfellow在NIPS2016 Tutorial之后的总结以及会上提到重要问题的回答。总结性很强，内容很多（57页），干货很多。

内容主要有以下几个方面：

– Why study generative modeling？

– How do generative models work？

– How do GANs work？

– Tips and Tricks

– Research Frontiers