最近小论文难产啊，各种网络、各种公式推导、各种复杂结构，各种…还是多读读论文，总有好处的~

下面主要总结了GAN网络及其各种变体模型，并附录上模型的论文出处及代码，结合最原始的论文和代码实现，可以加深对模型原理的理解。（文章主要内容来源于网络）

@TOC

前言

下面给出一个整理出来的总体大纲思维导图，下面再分别给出具体内容。文献和代码可直接跳转下载哦~

GAN（经典）

实现最原始的，基于多层感知器构成的生成器和判别器，组成的生成对抗网络模型（Generative Adversarial）。

参考论文：《Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/gan/gan.py

Auxiliary Classifier GAN

实现辅助分类-生成对抗网络（Auxiliary Classifier Generative Adversarial Network）。

参考论文：《Conditional Image Synthesis With Auxiliary Classifier GANs》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/acgan/acgan.py

BiGAN

实现双向生成对抗网络（Bidirectional Generative Adversarial Network）。

参考论文：《Adversarial Feature Learning》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bigan/bigan.py

BGAN

实现边界搜索生成对抗网络（Boundary-Seeking Generative Adversarial Networks）。

参考论文：《Boundary-Seeking Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bgan/bgan.py

CC-GAN

实现基于上下文的半监督生成对抗网络（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）。

参考论文：《Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/ccgan/ccgan.py

CoGAN

实现耦合生成对抗网络（Coupled generative adversarial networks）。

参考论文：《Coupled Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cogan/cogan.py

CycleGAN

实现基于循环一致性对抗网络（Cycle-Consistent Adversarial Networks）的不成对的Image-to-Image 翻译。

参考论文：《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cyclegan/cyclegan.py

DCGAN

实现深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network）。

参考论文：《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py

DualGAN

实现对偶生成对抗网络（DualGAN),基于无监督的对偶学习进行Image-to-Image翻译。

参考论文：《DualGAN: Unsupervised Dual Learning for Image-to-Image Translation》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dualgan/dualgan.py

InfoGAN

实现的信息最大化的生成对抗网络（InfoGAN），基于信息最大化生成对抗网络的可解释表示学习。

参考论文：《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/infogan/infogan.py

LSGAN

实现最小均方误差的生成对抗网络（Least Squares Generative Adversarial Networks）。

参考论文：《Least Squares Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/lsgan/lsgan.py

SGAN

实现半监督生成对抗网络（Semi-Supervised Generative Adversarial Network）。

参考论文：《Semi-Supervised Learning with Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/sgan/sgan.py

WGAN

实现 Wasserstein GAN。

参考论文：《Wasserstein GAN》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/wgan/wgan.py