關於GAN的基礎學習

①GAN的基礎學習：

1. 原理：generator（簡稱G）與discriminator（簡稱D）的博弈，如input爲noise，output爲fake image。G儘量讓生成的fake image被D判爲真，D卻又儘量讓自己不判斷錯誤，兩者相互競爭並學習。最終目的，讓G生成的fake image的分佈與real image的distribution保持一致。
2. loss公式的計算：

注：D(x)表示D將real image判斷爲真的概率，D(G(z))表示D將G生產的fake image判爲真的概率。第一項爲D對real image的置信度（用來optimize G），第二項D對fake image的置信度。

1. trick：

1.  G在optimize時容易過擬合，通常optimize k次D再optimize一次G

ii) 剛開始訓練時，因爲G較差，D有很高的置信度，爲提高足夠的梯度，採用梯度上升的方式訓練D。

②以TensorFlow的mnist作數據集跑通並分析代碼，如下圖

③文獻閱讀：

1. 2014 NIPS .GoodFellow提出的GAN的原文
2. 2016 NIPS .Learning What and Where to Draw，以text爲條件的GAN來做圖像生成
3. 2017 CVPR .Image 2 Image Translation with Conditional Adversarial Net，提出pixel2pixel（patchGAN）的方法，並以高級的角度理解GAN——讓生成的圖片儘可能真實，即不需要人爲去設定複雜的loss，提出了通用的framework解決大量問題
4. 2017 ICCV .Unpaired Image 2 Image Translation using Cycle-Consistent Adversarial Networks（cycleGAN），與c)篇同一個團隊發的論文，c)篇有監督，但這篇無監督。即考慮到ground truth的image很難找到，採用X->Y->X的方式進行無監督學習。個人理解是dirtibution 2 distribution的學習，也由此可能導致兩個distribution內的標籤混亂情況（如：X中的馬<->Y中的樹）。
5. 2017 NIPS .Pose Guided Person Image Generation，兩個數據集：market（行人），fashion。即在給定pose和ground truth的情況下，讓orginal image生成指定pose的image。
6. 2018 CVPR .Unsupervised Person Image Synthesis in Arbitrary Poses，採用d)篇的cycleGAN和patchGAN方法，用無監督的方式來得到指定pose的image（輸入爲original image + pose）