GAN
GAN:
cGAN
在GAN中加入约束，即条件信息y
生成器中，先验输入噪声z与条件y联合组成了联合隐层表征
判别器中，x和y被表示输入和判别函数
LAPGAN
是cGAN与拉普拉斯金字塔的结合
用一系列的卷积网络作为生成模型
每个生成网络获取拉普拉斯金字塔系数的分布
训练好了的LAPGAN的使用如下图所示
DCGAN
生成网络利用了类似反卷积的神经网络模型
判别网络利用了卷积的神经网络模型
【反卷积的过程如下：
1）UNpooling
Alexnet网络的池化层选用max pooling，那么反向的就是记录池化过程中最大池的位置，UNpooling中将最大值注到记录位置，其余填零。
2）矫正
在正向网络中激励函数选用relu，滤掉小于0的部分，反向矫正阶段一样有效，所以也采用relu函数。
3）反卷积
在逆过程里，将矫正过的特征与正向卷积核矩阵的转置进行卷积，获得原图。
GRAN
生成网络是一个RNN（循环神经网络），输入是随机噪声z1,z2,…,zT，输出的是时间序列∆C1,∆C2, · · · ,∆CT，为生成的图像。
在每个时间步t，随机噪声zt和循环网络隐层的状态h_c,t一起被送入函数f中计算，得到该时间步生成的图像∆Ct。其中，h_c,t是上一时间步生成的图像∆Ct-1通过函数g得到的编码向量。即：
∆Ct可以看作是时刻t画到画布上的内容，最后输出的图像为各个时刻画到画布上的和，再通过激活函数：
整个思路用图表示为：
f(·)底层是一个全卷积层，上层是反卷积fractional-stride convolution；g(·)底层是卷积层，顶层是一个全连接层。
作者还提出异质Battle的方法进行模型的评估，称之为Generative Adversarial Metric (GAM)。
【循环神经网络
PIX2PIX
损失函数：将cGAN的目标函数与传统损失函数L1 or L2结合
生成器G：U-net
判别器D：PatchGAN
PSMAN
adversarial loss
L1 error
final objective funtion
未完待续