数据集太小了，无法训练GAN？试试从单个图像入手吧。去年谷歌就提出了SinGAN，是第一个拿GAN在单幅自然图像学习的非条件生成模型。而最近，来自Adobe和汉堡大学的研究人员，对这个方法做了改进，探讨了几种让GAN在单幅图像提高训练和生成能力的机制。研究

昨天，reddit 上出现了一个关于梳理 GAN 发展脉络的博客，作者在博客中详细梳理了过去几年的 GAN 发展历程，包含众多 SOTA 论文及其代码和对应的学习资源。难能可贵的是，博客作者三月份才刚高中毕业，然后利用上大学之前的时间完成了这篇文章。目前，

能生成逼真图像的不只有 GAN。去年 9 月，BigGAN 横空出世，被誉为「史上最强 GAN 生成器」，其逼真程度众多研究者高呼「鹅妹子嘤」！相关论文也被 ICLR 2019 接收为 Oral 论文。今年 2 月，BigGAN 的一作又发布了更新版论文，

一键点击，百年旧照变彩色。如何把女神的黑白照片变成彩照？今日小编发现新加坡 GovTech 数据科学与人工智能部门在 Medium 上介绍了一个为百年旧照上色的项目。这个项目名为 Colourise.sg，最初是该团队参加 hackthon 时为新加坡旧照

Courant 数学科学研究所与 Facebook 人工智能研究所提出的 Wasserstein GAN 在标准 GAN 的基础上实现了显著的改进。机器之心技术分析师对该研究进行了解读。这篇论文介绍了一种名叫 Wasserstein GAN的全新算法，这是

变分自编码器与生成对抗网络经常被相互比较，其中前者在图像生成上的应用范围远窄于后者。VAE 是不是只能在 MNIST 数据集上生成有意义的输出？在本文中，作者尝试使用 VAE 自动生成动漫人物的头像，并取得了不错的结果。人们的共识是，VAE 更容易被训练，

为了处理这样大型的语义变换，作者引入了一种带有新型对抗式对比目标的对比型 GAN。论文还提出了配有新型比较式目标的、蒙版条件式对比 GAN结构，它能够用目标语义变换使图像背景脱离出来。cy 和 cx 分别表明 X 区域和 Y 区域的物体类别（语义）。我们在

生成对抗网络GAN很强大，但也有很多造成GAN难以使用的缺陷。本文介绍了可以克服GAN训练缺点的一些解决方案，有助于提高GAN性能。生成对抗网络 是一类功能强大的神经网络，具有广泛的应用前景。GAN 本质上是由两个神经网络组成的系统——生成器 和鉴别器

量子计算机虽然强大，但应用领域有限。清华叉院孙麓岩团队在超导电路上实现了量子生成对抗网络，精度高达98.8%，这项工作有望证明量子计算机在图像生成等领域超越经典计算机，将是量子机器学习的又一里程碑。最近，孙麓岩团队的研究登上了Science Advance

不同的深度生成模型之间存在怎样的共性？近日，来自 CMU 和 Petuum 的四位研究者 Zhiting Hu、Zichao Yang、Ruslan Salakhutdinov 和邢波在 arXiv 上发表了一篇论文介绍了他们的研究成果，即构建了 GAN

20年后的你长什么样？北京航空航天大学和密歇根州立大学的研究人员设计了一个AI系统，采用生成对抗网络，可以根据原始照片生成一个人年龄增长后的样子，甚至连发际线逐渐后移也能逼真地模拟。论文发表在CVPR 2018。警方要搜寻一个失踪多年的人或逃犯时，有时候线

这篇文章于2018年被CVPR所刊载。几乎没有人会质疑，生成性对抗网络的发展是近年来人工智能和深度学习领域最重要的进展之一这种说法。Goodfellow的原始模型认为这两个神经网络彼此相对。该方案建立在GAN模型的基础上，并整合了局部的空间信息。

毫无疑问，生成对抗网络是人工智能研究领域近段时间以来最大的热门之一，前段时间的 WGAN 也引起了研究界的很大关注。著名学者 Yoshua Bengio 所在的团队近日也分享了他们在 GAN 研究上的贡献，并在 2 月下旬一连在 arXiv 上发布了三篇相

清华叉院孙麓岩团队在超导电路上实现了量子生成对抗网络，精度高达 98.8%，这项工作有望证明量子计算机在图像生成等领域超越经典计算机，将是量子机器学习的又一里程碑。清华大学孙麓岩团队提出了“量子版”的生成对抗网络，并且证明了与经典的对应方法相比，具有潜在的