歷史最全GAN網路及其各種變體整理（附論文及程式碼實現）

GAN

實現最原始的，基於多層感知器構成的生成器和判別器，組成的生成對抗網路模型（Generative Adversarial）。

參考論文：《Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/gan/gan.py

AC-GAN

實現輔助分類-生成對抗網路（Auxiliary Classifier Generative Adversarial Network）。

參考論文：《Conditional Image Synthesis With Auxiliary Classifier GANs》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/acgan/acgan.py

BiGAN

實現雙向生成對抗網路（Bidirectional Generative Adversarial Network）。

參考論文：《Adversarial Feature Learning》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bigan/bigan.py

BGAN

實現邊界搜尋生成對抗網路（Boundary-Seeking Generative Adversarial Networks）。

參考論文：《Boundary-Seeking Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bgan/bgan.py

CC-GAN

實現基於背景關係的半監督生成對抗網路（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）。

參考論文：《Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/ccgan/ccgan.py

CoGAN

實現耦合生成對抗網路（Coupled generative adversarial networks）。

參考論文：《Coupled Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cogan/cogan.py

CycleGAN

實現基於迴圈一致性對抗網路（Cycle-Consistent Adversarial Networks）的不成對的Image-to-Image 翻譯。

參考論文：《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cyclegan/cyclegan.py

DCGAN

實現深度摺積生成對抗網路（Deep Convolutional Generative Adversarial Network）。

參考論文：《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py

DualGAN

實現對偶生成對抗網路（DualGAN),基於無監督的對偶學習進行Image-to-Image翻譯。

參考論文：《DualGAN: Unsupervised Dual Learning for Image-to-Image Translation》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dualgan/dualgan.py

InfoGAN

實現的資訊最大化的生成對抗網路（InfoGAN），基於資訊最大化生成對抗網路的可解釋表示學習。

參考論文：《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/infogan/infogan.py

LSGAN

實現最小均方誤差的生成對抗網路（Least Squares Generative Adversarial Networks）。

參考論文：《Least Squares Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/lsgan/lsgan.py

SGAN

實現半監督生成對抗網路（Semi-Supervised Generative Adversarial Network）。

參考論文：《Semi-Supervised Learning with Generative Adversarial Networks》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/sgan/sgan.py

WGAN

實現 Wasserstein GAN。

參考論文：《Wasserstein GAN》

程式碼地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/wgan/wgan.py