自2014年Ian Goodfellow提出了GAN（Generative Adversarial Network）以来，对GAN的研究可谓如火如荼。各种GAN的变体不断涌现，下图是GAN相关论文的发表情况：

GANs 现在可以做什么？

GAN应用史

首先简单介绍一下GAN出现以来GAN变体们的进化史：

GAN的CV史

GAN最初用来生成一维信号（语言，语音）以及简单的二维信号（minist）
后续研究者提出DCGAN，可以相对更有效的生成二维的图像信号（但分辨率仍然很小，多数只有 6464 或 128128 ）,这是 GAN 首次在图像生成取得很大的进步。
2016年，商汤-香港中文大学联合实验室与罗格斯大学等机构提出了 StackGAN 算法，发明了更好的神经网路结构，将生成图像的分辨率从 $128128$ 大幅提升到 $256256$。
随后， NVIDIA 一篇以名人的脸孔为训练素材，生成出相当逼真的假名人照的论文，将分辨率一举拉高到 1024*1024，立刻令外界惊叹，GAN 一战成名。
今天，GAN不仅在二维图像的生成上有成熟的发展与应用，在三维信号以及高维信号的应用上也取得了不错的进步，例如视频生成，三维重建等。

详细的展示将以几篇优秀的论文呈现

GAN新的网络结构

GAN变体如火如荼地今天，不仅出现了很多应用，也出现了一些网络结构上的改进.例如 CGAN, cycleGAN, DualGAN, DiscoGAN, TripleGAN...

本博客将展示CGAN, cycleGAN，stackgan,stylegan等

GAN的对抗思想被其他深度学习应用引入(目标检测、对抗攻击、信息检索、贝叶斯理论、Capsule、强化学习、离散输出“NLP”、自编码器、半监督学习，增强了原始应用的性能。

一开始外界普遍认为 GAN 只是一个生成模型，不过其实对抗性的思想对于改进现有 AI 算法同样很有帮助。举例来说，传统的深度学习算法可以看作 GAN 的生成器，引入鉴别器后，可以改良原有模型的任务表现，让现有 AI 算法做的更好、生成更接近真实的结果。商汤－香港中大联合实验室教授吕建勤从事研究 GAN 进行图像超分辨率，不仅是把低分辨率的图像提高，将其变为高分辨率图像，还可以近一步自动美化图像的风格和细节。

另一位商汤－香港中大联合实验室教授林达华则是以 GAN 增强图像标题生成的真实性。图像标题生成主要是希望通过计算机看懂图像，并且用自然语言来描述图像内容，加入鉴别器可以判断这句话是人类撰写还是电脑生成的，借由这种方式让原来 AI 模型生成的标题更有“人味”、更自然。也有许多从业者将 GAN 引入机器翻译、人脸识别、信息检索等方向，在去年取得很好的突破。

本博客主要介绍IRGAN，graphgan,SeqGAN