各种GAN

1. 生成对抗网络GAN用于进行创作，可以应用到任何类型的数据。

2. 深度卷积生成对抗网络DCGAN，在GAN的基础上增加深度卷积网络结构，专门生产图像样本。但是却无法确切控制新样本的类型。下图为用DCGAN模型生成MNIST图像：

下图为DCGAN模型生成动漫头像：

3. 条件生成对抗网络cGAN，为生成器和判别器都额外加入了一个条件，这个条件实际是希望生成的标签。

4. pix2pix模型是一种特殊的cGAN，相比于cGAN，缺少一个噪声输入。应用类似于图像翻译，要求训练样本必须是”严格成对“的。可以体现在很多方面，比如说：

（1）条件为标注数据，标注数据集的外观，生成对应的“真实图像”。下图为将建筑标注图像转换为照片：

（2）条件为灰度图像，生成对应的彩色图像，下图为对食物灰度图像自动上色（从左至右依次为灰度图、自动上色的图像、真实图像）：

（3）条件为模糊图像，生成对应的高分辨率图像，下图为实现图像的超分辨率（从左至右依次为是模糊图像、超分辨率生成的图像、原图）：

 

5. cycleGAN提出了“循环一致性损失”，将X空间的图片转换到Y空间后，应该还可以转换回来，不必使用成对样本也可以进行“图像翻译”。生成效果如下图所示（从左至右依次为原始的苹果图像、苹果转换成橘子的图像、将橘子再次进行还原的图像）：

                                          

6. GauGAN：提出了一种空间自适应标准化方法（SPADE模块），在给定输入语义布局的情况下，实现了一种简单有效的逼真图像合成层。相比于传统的批标准化方法，会洗去大量的原始语义信息而言，本论文提出的方法，是从语义分割图中学到的仿射层，可以更好地保留语义信息，因此该方法在视觉保真度和与输入布局的对齐方面具有优势。同时，该模型允许用户控制合成图像的语义和风格。从左至右依次为label、生成图像、真实图像：