1. 介绍
GAN在2015年DCGAN[1]论文提出之后，开始迅速的被关注和被应用到各个领域。比较有影响力的应用，比如Image translation; Image Inpainting; Face image manipulation 以及 Semi-supervised learning等。当然作为当前最有竞争力的生成模型，相对于VAE, GAN虽然不稳定，相对于PixelCNN, GAN虽然没有提供明确的likelihood, 但是GAN在较短的训练之后就可以生成及其真实的样本。生成更加真实的样本在GAN领域也是一个研究的热点。就像刚才提到了，GAN能火，一方面就是因为DCGAN生成的质量很高的64x64 像素的样本。也只有当样本能达到一定真实度的时候，GAN本身才可能被关注，以及应用到Image transformation[5]。 GAN在2015年DCGAN[1]论文提出之后，开始迅速的被关注和被
