生成模型（GenerativeModel）是一种可以通过学习训练样本来产生更多类似样本的模型。在所有生成模型当中，最具潜力的是生成对抗网络（Generative Adversarial Networks, GANs）。GANs是非监督机器学习的一种，它的运作方式可被看做是两个神经网络相互竞争的零和游戏（zero-sum game）。
，Ian Goodfellow等人在《GenerativeAdversarial Nets》一文中首次提出了GANs，标志着GANs的诞生。
原文链接：/pdf/1406.2661v1.pdf
PPT链接：/slides/-12-04-NIPS.pdf
源码链接：/goodfeli/adversarial
视频链接：/watch?v=HN9NRhm9waY
本文总结了一系列关于GANs的前沿工作进展
一、最新研究论文（根据Google Scholar的引用数进行降序排列）
基于深度卷积生成对抗网络的无监督学习（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks (DCGANs)）
原文链接：/pdf/1511.06434v2.pdf
对抗实例的解释和利用（Explaining and Harnessing Adversarial Examples）
原文链接：/pdf/1412.6572.pdf
基于深度生成模型的半监督学习（ Semi-Supervised Learning with Deep Generative Models ）
原文链接：/pdf/1406.5298v2.pdf
基于拉普拉斯金字塔生成式对抗网络的深度图像生成模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）
原文链接：/paper/5773-deep-generative-image-models-using-a-laplacian-pyramid-of-adversarial-networks.pdf
训练GANs的一些技巧（Improved Techniques for Training GANs）
原文链接：/pdf/1606.03498v1.pdf
条件生成对抗网络（Conditional Generative Adversarial Nets）
原文链接：/pdf/1411.1784v1.pdf
生成式矩匹配网络（Generative Moment Matching Networks）
原文链接：http://proceedings.mlr.press/v37/li15.pdf
超越均方误差的深度多尺度视频预测（Deep multi-scale video prediction beyond mean square error）
原文链接：/pdf/1511.05440.pdf
通过学习相似性度量的超像素自编码（Autoencoding beyond pixels using a learned similarity metric）
原文链接：/pdf/1512.09300.pdf
对抗自编码（Adversarial Autoencoders）
原文链接：/pdf/1511.05644.pdf
InfoGAN:基于信息最大化GANs的可解释表达学习（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）
原文链接：/pdf/1606.03657v1.pdf
上下文像素编码：通过修复进行特征学习（Context Encoders: Feature Learning by Inpainting）
原文链接：http://www.cv-/openaccess/content_cvpr_/papers/Pathak_Context_Encoders_Feature_CVPR__paper.pdf
生成对抗网络实现文本合成图像（Generative Adversarial Text to Image Synthesis）
原文链接：http://proceedings.mlr.press/v48/reed16.pdf
基于像素卷积神经网络的条件生成图片（Conditional Image Generation with PixelCNN Decoders）
原文链接：/pdf/1606.05328.pdf
对抗特征学习（Adversarial Feature Learning）
原文链接：/pdf/1605.09782.pdf
结合逆自回归流的变分推理（Improving Variational Inference with Inverse Autoregressive Flow ）
原文链接：/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf
深度学习系统对抗样本黑盒攻击（Practical Black-Box Attacks against Deep Learning Systems using Adversarial Examples）
原文链接：/pdf/1602.02697.pdf
参加，推断，重复：基于生成模型的快速场景理解（Attend, infer, repeat: Fast scene understanding with generative models）
原文链接：/pdf/1603.08575.pdf
f-GAN: 使用变分散度最小化训练生成神经采样器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization ）
原文链接：/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf
在自然图像流形上的生成视觉操作（Generative Visual Manipulation on the Natural Image Manifold）
原文链接：/pdf/1609.03552.pdf
通过平均差异最大优化训练生成神经网络（Training generative neural networks via Maximum Mean Discrepancy optimization）
原文链接：/pdf/1505.03906.pdf
对抗性推断学习（Adversarially Learned Inference）
原文链接：/pdf/1606.00704.pdf
基于循环对抗网络的图像生成（Generating images with recurrent adversarial networks）
原文链接：/pdf/1602.05110.pdf
生成对抗模仿学习(Generative Adversarial Imitation Learning）
原文链接：/paper/6391-generative-adversarial-imitation-learning.pdf
基于3D生成对抗模型学习物体形状的概率隐空间（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）
原文链接：/pdf/1610.07584.pdf
学习画画（Learning What and Where to Draw）
原文链接：/pdf/1610.02454v1.pdf
基于辅助分类器GANs的条件图像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）
原文链接：/pdf/1610.09585.pdf
隐生成模型的学习（Learning in Implicit Generative Models）
原文：/pdf/1610.03483.pdf
VIME:变分信息最大化探索（VIME: Variational Information Maximizing Exploration）
原文链接：/paper/6591-vime-variational-information-maximizing-exploration.pdf
生成对抗网络的展开（Unrolled Generative Adversarial Networks）
原文链接：/pdf/1611.02163.pdf
训练生成对抗网络的基本方法（Towards Principled Methods for Training Generative Adversarial Networks）
原文链接：/pdf/1701.04862.pdf
基于内省对抗网络的神经图像编辑（Neural Photo Editing with Introspective Adversarial Networks）
原文链接：/pdf/1609.07093.pdf
基于解码器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models ）
原文链接：/pdf/1611.04273.pdf
结合生成对抗网络和Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）
原文链接：/pdf/1610.01945.pdf
通过对抗网络使用模拟和非监督图像训练（ Learning from Simulated and Unsupervised Images through Adversarial Training）
原文链接：/pdf/1612.07828.pdf
基于上下文RNN-GANs的抽象推理图的生成（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）
原文链接：/pdf/1609.09444.pdf
生成多对抗网络（Generative Multi-Adversarial Networks）
原文链接：/pdf/1611.01673.pdf
生成对抗网络组合（Ensembles of Generative Adversarial Network）
原文链接：/pdf/1612.00991.pdf
改进生成器目标的GANs(Improved generator objectives for GANs)
原文链接：/pdf/1612.02780.pdf
生成对抗模型的隐向量精准修复（Precise Recovery of Latent Vectors from Generative Adversarial Networks）
原文链接：/pdf?id=HJC88BzFl
生成混合模型（Generative Mixture of Networks）
原文链接：/pdf/1702.03307.pdf
记忆生成时空模型（Generative Temporal Models with Memory）
原文链接：/pdf/1702.04649.pdf
停止GAN暴力：生成性非对抗模型（Stopping GAN Violence: Generative Unadversarial Networks）
原文链接：/pdf/1703.02528.pdf
二、理论学习
1.训练GANs的技巧，
参见链接：/paper/6124-improved-techniques-for-training-gans.pdf
2.Energy-Based GANs以及Yann Le Cun的相关研究
参见链接：/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
3.模式正则化GAN
参见链接：/pdf/1612.02136.pdf
三、报告
1.Ian Goodfellow的GANs报告
参见链接：/slides/-12-04-NIPS.pdf
2.Russ Salakhutdinov的深度生成模型
参见链接：http://www.cs.toronto.edu/~rsalakhu/talk_Montreal__Salakhutdinov.pdf
四、课程/教程
1.NIPS 教程：生成对抗网络
参见链接：/pdf/1701.00160.pdf
2.训练GANs的技巧和窍门
参见链接：/soumith/ganhacks
3.OpenAI生成模型
参见链接：/generative-models/
4.用Keras实现MNIST生成对抗模型
参见链接：/index.PHP//07/01/mnist-generative-adversarial-model-in-keras/
5.用深度学习TensorFlow实现图像修复
参见链接：http://bamos.github.io//08/09/deep-completion/
五、Github资源以及模型
1.深度卷积生成对抗模型（DCGAN）
参见链接：/Newmu/dcgan_code
2.TensorFlow实现深度卷积生成对抗模型（DCGAN）
参见链接：/carpedm20/DCGAN-tensorflow
3.Torch实现深度卷积生成对抗模型（DCGAN）
参见链接：/soumith/dcgan.torch
4.Keras实现深度卷积生成对抗模型（DCGAN）
参见链接：/jacobgil/keras-dcgan
5.使用神经网络生成自然图像（Facebook的Eyescream项目）
参见链接：/facebook/eyescream
6.对抗自编码（AdversarialAutoEncoder）
参见链接：/musyoku/adversarial-autoencoder
7.利用ThoughtVectors实现文本到图像的合成
参见链接：/paarthneekhara/text-to-image
8.对抗样本生成器（Adversarialexample generator）
参见链接：/e-lab/torch-toolbox/tree/master/Adversarial
9.深度生成模型的半监督学习
参见链接：/dpkingma/nips14-ssl
10.GANs的训练方法
参见链接：/openai/improved-gan
11. 生成式矩匹配网络（Generative Moment Matching Networks, GMMNs）
参见链接：/yujiali/gmmn
12. 对抗视频生成
参见链接：/dyelax/Adversarial_Video_Generation
13. 基于条件对抗网络的图像到图像翻译（pix2pix）
参见链接：/phillipi/pix2pix
14. 对抗机器学习库Cleverhans,
参见链接：/openai/cleverhans
五、框架以及学习库（根据GitHub的星级排序）
1.谷歌的TensorFlow [C++ and CUDA]
主页链接：/
Github链接：/tensorflow/tensorflow
2. Berkeley Vision and LearningCenter (BVLC) 的Caffe [C++]
主页链接：/
Github链接：/BVLC/caffe
安装指南：/blog/Caffe_Installation/README.md
3. François Chollet的Keras[Python]
主页链接：https://keras.io/
Github链接：/fchollet/keras
4. Microsoft Cognitive Toolkit -CNTK [C++]
主页链接：/en-us/research/product/cognitive-toolkit/
Github链接：/Microsoft/CNTK
5. Amazon 的MXNet [C++]
主页链接：http://mxnet.io/
Github链接：/dmlc/mxnet
6. Collobert, Kavukcuoglu &Clement Farabet的Torch，被Facebook广泛采用[Lua]
主页链接：http://torch.ch/
Github链接：/torch
Andrej Karpathy 的Convnetjs [JavaScript]
主页链接：http://cs.stanford.edu/people/karpathy/convnetjs/
Github链接：/karpathy/convnetjs
Université de Montréal的 Theano [python]
主页链接：/software/theano/
Github链接：/Theano/Theano
startup Skymind 的Deeplearning4j [Java]
主页链接：/
Github链接：/deeplearning4j/deeplearning4j
Baidu 的Paddle[C++]
主页链接：/
Github链接：/PaddlePaddle/Paddle
Amazon 的Deep Scalable Sparse Tensor Network Engine (DSSTNE) [C++]
Github链接：/amzn/amazon-dsstne
Nervana Systems 的Neon [Python & Sass]
主页链接：/docs/latest/
Github链接：/NervanaSystems/neon
Chainer [Python]
主页链接：/
Github链接：/pfnet/chainer
h2o [Java]
主页链接：https://www.h2o.ai/
Github链接：/h2oai/h2o-3
Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA) 的Brainstorm [Python]
Github链接：/IDSIA/brainstorm
Andrea Vedaldi 的Matconvnet by [Matlab]
主页链接：/matconvnet/
Github链接：/vlfeat/matconvnet
更多细节请参考原文链接：/blog/delving-deep-into-gans
