使用这些新技术后，科研人员在MNIST、CIFAR-10和SVHN的半监督分类中获得了可喜成果。所产生的图像具有已通过视觉图灵测试证实的高质量：该模型可以生成人类无法从实际数据中区分的MNIST样本，以及生成人为错误率为21.3％的CIFAR-10样本。我们还以前所未有的分辨率呈现除出了ImageNet样本，并显示该方法使模型能够学习到ImageNet等级的可识别特征。

在该论文中，科研人员推出了几种旨在鼓励GAN融合的技术，这些技术是从对非收敛问题的理解中获得灵感的。这使得半监督学习实现性能的提升和样本生成的改进。

更多信息可点击链接获取完整论文（https://arxiv.org/pdf/1606.03498.pdf）

开源代码获取：https://github.com/pfnet-research/chainer-gan-lib/blob/master/README.md