参与：黄小天、蒋思源

生成对抗网络（GAN）是近段时间以来最受研究者关注的机器学习方法之一，深度学习泰斗 Yann LeCun 就曾多次谈到 这种机器学习理念的巨大价值和未来前景。而各类 GAN 的变体也层出不穷，atv，近日机器之心也报道过，而本文更注重于从 GAN 及其变体的角度对其论文做一个完整的梳理。

　　项目地址：https://deephunt.in/the-gan-zoo-79597dc8c347

每一周都会有关于 GAN 的新论文出现，你很难对其一一记录，而众多 GAN 的新命名又使其难上加难。如果你想了解更多关于 GAN 的信息，可参阅 ，或者 Goodfellow 于 。

　　因此，下面是一个持续更新的最新列表，通过 GAN 名称+论文（并附 arXiv 论文地址）的形式汇总并编排了所有出现的 GAN：

GAN—生成对抗网络（Generative Adversarial Networks）：https://arxiv.org/abs/1406.2661

3D-GAN—通过 3D 生成对抗网络建模学习概率性目标形潜在空间（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）：https://arxiv.org/abs/1610.07584

AdaGAN—AdaGAN：增强生成模型（AdaGAN: Boosting Generative Models）：

AffGAN—图像超分辨率的折旧 MAP 推断（Amortised MAP Inference for Image Super-resolution）：https://arxiv.org/abs/1610.04490

ALI—对抗性推断学习（Adversarially Learned Inference）：https://arxiv.org/abs/1606.00704

AMGAN—带有最大化激活标注数据的生成对抗网络（Generative Adversarial Nets with Labeled Data by Activation Maximization）：

AnoGAN—使用生成对抗模型的无监督异常检测引导标记的发现（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）：

ArtGAN—ArtGAN: 使用条件范畴生成对抗网络合成艺术作品（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）：https://arxiv.org/abs/1702.03410

b-GAN—b-GAN: 生成对抗网络的统一架构（b-GAN: Unified Framework of Generative Adversarial Networks）：https://openreview.net/pdf?id=S1JG13oee

Bayesian GAN—深度分层隐式模型（Deep and Hierarchical Implicit Models）：https://arxiv.org/abs/1702.08896

BEGAN—BEGAN：边界均衡生成对抗网络（BEGAN:Boundary Equilibrium Generative Adversarial Networks）：

BiGAN—对抗性特征学习（Adversarial Feature Learning）：

BS-GAN—边界查找生成对抗网络（Boundary-Seeking Generative Adversarial Networks）：

CGAN—通过条件生成对抗网络实现多样而自然的图像描述（Towards Diverse and Natural Image Deions via a Conditional GAN）：

CCGAN—语境条件性生成对抗网络的半监督学习（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）：https://arxiv.org/abs/1611.06430v1

CatGAN—类属生成对抗网络的无监督和半监督学习（Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks）：

CoGAN—共轭生成对抗网络（Coupled Generative Adversarial Networks）：

Context-RNN-GAN—用于抽象推导图表生成的语境性 RNN-GAN（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）：https://arxiv.org/abs/1609.09444

C-RNN-GAN—C-RNN-GAN：对抗训练的连续性循环神经网络（C-RNN-GAN: Continuous recurrent neural networks with adversarial training）：https://arxiv.org/abs/1611.09904

CVAE-GAN—CVAE-GAN: 通过非对称训练生成细密纹路的图像（Fine-Grained Image Generation through Asymmetric Training）：https://arxiv.org/abs/1703.10155

CycleGAN—使用循环一致性对抗网络进行非成对图到图翻译（Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks）：https://arxiv.org/abs/1703.10593

DTN—无监督跨领域图像生成（Unsupervised Cross-Domain Image Generation）：https://arxiv.org/abs/1611.02200

DCGAN—使用深度卷积生成对抗网络进行无监督表征学习（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）：https://arxiv.org/abs/1511.06434

DiscoGAN—使用生成对抗网络学习发现跨领域关系（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）：

DualGAN—DualGAN: 图到图翻译的无监督对偶学习（Unsupervised Dual Learning for Image-to-Image Translation）：

EBGAN—基于能量的生成对抗网络（Energy-based Generative Adversarial Network）：

(责任编辑：本港台直播)