2017年GAN 計算機視覺相關paper彙總
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。
［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）
［1611。07004］ Image-to-Image Translation with Conditional Adversarial Networks （pix2pix） 這篇中70x70的patchD在cyclegan中也有延續。 注：這篇中是pair來訓練的
［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。
［1612。07828］ Learning from Simulated and Unsupervised Images through Adversarial Training （CVPR 2017）
［1701。07717］ Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro （ICCV2017） 這篇索性拿G產生的圖片來做資料增強，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。
［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（在學習對映完成後，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。
［1701。07875］ Wasserstein GAN
［1703。02291］ Triple Generative Adversarial Nets
［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。
［1703。10593］ CycleGAN： Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks （ICCV2017） 同一個世界，同一個夢想 程式碼很solid。 D用的是L2 Loss， Cycle Loss和Identity Loss都是L1 Loss。
［1704。02510］ DualGAN：Unsupervised Dual Learning for Image-to-Image Translation （ICCV2017） 同一個世界，同一個夢想
［1704。00028］ Improved Training of Wasserstein GANs
Visual Saliency Prediction with Generative Adversarial Networks 阿嶽感覺很一般
Boosting Generative Models
Towards Realistic High-Resolution Image Blending
［1704。05838］ Generative Face Completion
［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。
［1704。04131］ Neural Face Editing with Intrinsic Image Disentangling （CVPR2017）
［1706。05274v2］ Perceptual Generative Adversarial Networks for Small Object Detection
Decomposing Motion and Content for Video Generation
［1706。07068］Creative Adversarial Networks， Generating “Art” by Learning About Styles and Deviating from Style Norms 生成藝術作品
［1707。03124］ Adversarial Generation of Training Examples for Vehicle License Plate Recognition 用GAN來生成車牌，做資料增強
我的其他文章：
用GAN生成的影象做訓練？Yes！
2017 ICCV 對抗生成網路GAN接收論文
2017 ICCV 行人檢索／重識別 接受論文彙總