GAN与pix2pix,CycleGAN,pix2pixHD关系浅谈

本文声明，转载自
一文读懂GAN, pix2pix, CycleGAN和pix2pixHD
仅做备份和总结使用

本文对上述文章做一个简单的总结和梳理，详细内容还请阅读原文。

GAN（Generative Adversarial Network)生成对抗学习网络：

• 一般来说GAN由两种网络构成G(Generator)和D(Discriminator)，分别用于生成图片和判断真假。

在两个网络互相博弈过程中，两个网络不断学习和升级，G生成的图片越来越像真的，D判断真假的能力越来越高。此时抛弃D，只留下G，用于图片的生成，此时我们便得到一个优质的图片生成器。

• GAN的局限性：

1. 没有用户控制能力：
   在传统的GAN里，随机输入一个噪声，随机输出一幅图像。
   无法根据用户的要求，输出用户所需要的图像。
2. 低分辨率和低质量的图

• 改善GAN：

提高GAN的用户控制能力
提高GAN生成图片的分辨率和质量

为了达到这一目的，进而产生了下述三种优化后的网络：

1. pix2pix：有条件的使用户输入，使用成对的数据进行训练
2. CycleGAN：使用不成对的数据进行训练
3. pix2pixHD：生成分辨率更高，质量更高的图像。

以上便是GAN与pix2pix等网络的关系，具体详细的对比介绍请参考原作者博客。