GAN (NeurIPS, 2014)

m i n G m a x D V ( D , G ) = E x ∼ P d a t a ( x ) $l o g D ( x )$ + E z ∼ P z ( x ) $l o g ( 1 - D ( G ( x ) ) )$ min_Gmax_DV(D,G) = E_{x\sim~P_{data}(x)} $logD(x)$ + E_{z\sim~P_{z}(x)} $log(1-D(G(x)))$ minGmaxDV(D,G)=Ex∼ Pdata(x) $logD(x)$ +Ez∼ Pz(x) $log(1-D(G(x)))$ .

在实际训练的过程中，可以通过maximize logD(G(x))来训练G。

CGAN

Conditional generative adversarial nets

Pytorch版本代码

原始GAN的生成器G学到了数据的分布，生成出来的图片其实是随机的，也就是说这个G的生成过程处于一种没有指导的状态，虽然生成的图片，比如mnist数据集来说，生成的的确是数字，但是却没有具体的说是什么数字。 cGAN相当于在原始GAN的基础上加上一个条件：condition，以此来指导G的生成过程。
m i n G m a x D V ( D , G ) = E x ∼ P d a t a ( x ) $l o g D ( x ∣ y )$ + E z ∼ P z ( z ) $l o g ( 1 - D ( G ( z ∣ y ) ) )$ min_Gmax_DV(D,G) = E_{x\sim~P_{data}(x)} $logD(x\|y)$ + E_{z\sim~P_{z}(z)} $log(1-D(G(z\|y)))$ minGmaxDV(D,G)=Ex∼ Pdata(x) $logD(x∣y)$ +Ez∼ Pz(z) $log(1-D(G(z∣y)))$

y作为条件，和数据x以及噪声z同时分别进入D和G中。

DCGAN

unsupervised representation learning with deep convolutional generative adversarial networks

Pytorch版本代码

该网络主要使用卷积层，之前的网络用的是全连接层。

StackGAN

**StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks**

基于对CGAN的改进，CGAN无法生成清晰大图，StackGAN希望通过一个描述C，产生一张256x256的图像。通过两个generator实现，第一个generator产生64x64的小图，然后把结果放入第二个generator中生成256x256的大图。

详细内容

Pix2Pix (CVPR, 2017)

Image-to-image translation with conditional adversarial networks

本篇论文的核心思想并不复杂，是借鉴了conditional-GAN的思想。但pix2pix的generator的输入端只有条件y作为输入而没有噪声z。最终训练完成后可以从一张图A变换到另一张图B。

We demonstrate that this approach is effective at synthesizing photos from label maps, reconstructing objects from edge maps, and colorizing images, among other tasks.