简单理解与实验生成对抗网络GAN
最简单易懂的GAN（生成对抗网络）教程：从理论到实践（附代码
生成网络
判别网络
单独交替迭代训练
判别网络不仅要做出判断，还要告诉生成网络怎么改进会更好（即：判别网络将学习到的经验反向传递给生成网络）
DCGAN:将卷积神经网络和对抗网络结合起来
WGAN:训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表GAN训练得越好，代表生成器产生的图像质量越高
WGAN-GP:Improved Training of Wasserstein GANs使用正则化（gradient penalty）而非 weight clipping的改进版WGAN
pytorch implementation of WGAN-GP
LSGAN:最小二乘GAN
条件GAN：把generator换成一个image to image的网络，比如encoder-decoder和U-Net。
G网络从一个Image生成另一个image，比如：Loss是GAN Loss(尽量让D判成真)+L1 Loss(生成的和真实的一致性)；D网络从一个image判断是否为真实，Loss是将真判为真，生成的判为假
U-Net是将第i层拼接到第n-i层，这样做是因为第i层和第n-i层的图像大小是一致的，可以认为他们承载着类似的信息。
深入浅出理解GAN
如何指导GAN的训练
GAN用于分类
知乎
生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中？
图像分割
视频后续帧预测
pix2pix风格变换
低分辨率到高分辨率图片
噪声生成图片
GAN生成深度图（单帧图像的深度估计）：先做分割，再在此基础上做深度估计，因为一个平面上的深度基本相同
给一张图和路线，就知道应该怎么导航。是向前还是后，左，右