2017年GAN 計算機視覺相關paper匯總

主要收集從 2016年11月（CVPR2017 deadline）到現在的 生成對抗網路(GAN)相關paper (按arXiv發表順序)， 有遺漏歡迎補充。

1. [1611.04076] Least Squares Generative Adversarial Networks (Cycle GAN的D用了其中的方法，將Loss改為L2 Loss，訓練穩定性提高了，好於傳統的cross-entropy loss)
2. [1611.07004] Image-to-Image Translation with Conditional Adversarial Networks (pix2pix) 這篇中70x70的patchD在cyclegan中也有延續。 註：這篇中是pair來訓練的
3. [1612.05363] Learning Residual Images for Face Attribute Manipulation (CVPR 2017) 這一篇比較早就用dual learning了,比cycle gan都早了3個月啊。但是他用的cycle loss是D的Loss，而不是pixel level的L1 Loss。
4. [1612.07828] Learning from Simulated and Unsupervised Images through Adversarial Training (CVPR 2017)
5. [1701.07717] Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro (ICCV2017) 這篇索性拿G產生的圖片來做數據增強，做了一個半監督學習框架，也容易理解。訓傳統分類ResNet，而沒有使用D。 因為D現在還是比較淺？在Fine-grain dataset上也有提高。
6. [1701.02676] Unsupervised Image-to-Image Translation with Generative Adversarial Networks 之前我們可以用cgan來指定生成什麼domain。作者多加了一個分類器來預測隨機input z（在學習映射完成後，z其實是有semantic含義的）所以如果除了c以外，我們還能指定z。
7. [1701.07875] Wasserstein GAN
8. [1703.02291] Triple Generative Adversarial Nets
9. [1703.05192] DiscoGAN: Learning to Discover Cross-Domain Relations with Generative Adversarial Networks (ICML2017) 同一個世界，同一個夢想 喜歡這篇裡面的圖和實驗。
10. [1703.10593] CycleGAN: Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks (ICCV2017) 同一個世界，同一個夢想 代碼很solid。 D用的是L2 Loss， Cycle Loss和Identity Loss都是L1 Loss。
11. [1704.02510] DualGAN:Unsupervised Dual Learning for Image-to-Image Translation (ICCV2017) 同一個世界，同一個夢想
12. [1704.00028] Improved Training of Wasserstein GANs
13. Visual Saliency Prediction with Generative Adversarial Networks 阿岳感覺很一般
14. Boosting Generative Models
15. Towards Realistic High-Resolution Image Blending
16. [1704.05838] Generative Face Completion
17. [1704.04086] Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis (ICCV 2017) 人臉pose旋轉，需要pair來訓練。一個網路做global的人臉，一個網路切5個關鍵點。最後融合到一起。
18. [1704.04131] Neural Face Editing with Intrinsic Image Disentangling (CVPR2017)
19. [1706.05274v2] Perceptual Generative Adversarial Networks for Small Object Detection
20. Decomposing Motion and Content for Video Generation
21. [1706.07068]Creative Adversarial Networks, Generating "Art" by Learning About Styles and Deviating from Style Norms 生成藝術作品
22. [1707.03124] Adversarial Generation of Training Examples for Vehicle License Plate Recognition 用GAN來生成車牌，做數據增強

我的其他文章:

• 用GAN生成的圖像做訓練？Yes！
• 2017 ICCV 對抗生成網路GAN接收論文
• 2017 ICCV 行人檢索／重識別 接受論文匯總

推薦閱讀：