1、ensemble of GAN
（1）
：同時train 一大堆GAN，然後就有一大堆generator，之後在generate image的時候，先隨機挑選一個generator，再讓那個generator sample image。那這樣所有的generator合起來就會產生比較多樣性的結果。
：因爲我們發現在每一個training的iteration，generator的output都很不一樣。那我們就把好幾個iteration的generator都集合起來，再產生output。
：先train第一個GAN，然後看有哪些image或者mode是第一個GAN不太容易產生的（用第一個GAN去sample一大堆image，然後learning一個discriminator，分辨第一個GAN產生的 image跟real的image，如果這個discriminator在某一個real image上的分數很高，discriminator覺得這個image非常的realistic的話，那這張image可能就是generator不會產生的mode）。再把這些不太容易產生的image從database中都取出來，在放到下一個GAN中。。。經過訓練，這樣不同的GAN就會產生不同model的image。
（2）generative adversarial parallelization
在test的時候，交換兩個generator，如果G1能夠戰勝D2（戰勝與否是說G1產生的image對D2來說是否是realistic），G2輸給D1的話，這樣就可以說G1產生的image比G2產生的要好。
2、Energy-based GAN
（1）original idea
（2）evaluate function
我們希望從database裏面挑出real image，放到F(x)中，得到的值越大越好；不是real image的圖代進去，得到的值越小越好。但實際上我們無法窮舉所有不是real的image。
（3）energy-based GAN（EBGAN）
3、MAGAN
4、LSGAN
5、BEGAN
