GAN

GAN通常分为两个部分：Generator 生成器，Discriminator 鉴别师。

让Discriminator尽可能的区分真实样本和生成的样本，然后让Generator尽可能的生成样本接近真实样本。

最优传输理论你理解了，传说中的推土机距离重新了解一下

W-GAN系 (Wasserstein GAN、 Improved WGAN)

Wasserstein GAN最新进展：从weight clipping到gradient penalty，更加先进的Lipschitz限制手法

互怼的艺术：从零直达 WGAN-GP

Ian Goodfellow强力推荐：DeepMind提出Auto-encoding GAN的变分方法

深度神经网络生成模型：从 GAN VAE 到 CVAE-GAN

模拟上帝之手的对抗博弈——GAN背后的数学原理

深入浅出 GAN·原理篇文字版（完整）

令人拍案叫绝的Wasserstein GAN

Wasserstein距离在生成模型中的应用

看穿机器学习（W-GAN模型）的黑箱

GAN的理解与TF的实现

一点 GAN -之一：简述

简述生成式对抗网络

https://zhuanlan.zhihu.com/p/22968730

https://zhuanlan.zhihu.com/p/24421479

https://arxiv.org/pdf/1701.00160v1.pdf

GAN学习指南：从原理入门到制作生成Demo

深度学习新星：GANs的基本原理、应用和走向

深度学习的下一个热点——GANs将改变世界

StackGAN mini review

谷歌新论文提出适应性生成对抗网络AdaGAN：增强生成模型

能根据文字生成图片的 GAN，深度学习领域的又一新星

解读GAN及其 2016 年度进展

条条大路通罗马LS-GAN：把GAN建立在Lipschitz密度上

专栏 | 看穿机器学习（W-GAN模型）的黑箱

Wasserstein GAN and the Kantorovich-Rubinstein Duality

火热的生成对抗网络(GAN),你究竟好在哪里

不容错过！彻底解析 2017 最火结构 Wasserstein GAN

最小二乘GAN：比常规GAN更稳定，比WGAN收敛更迅速

广义LS-GAN（GLS-GAN) :现在 LS-GAN和WGAN都是这个超模型的特例了

GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT）

机器之心GitHub项目：GAN完整理论推导与实现