【综合】在图像生成领域里，GAN这一大家族是如何生根发芽的

我们可以发现，拥有最顶尖效果的模型，通常都有非常美妙的想法，这对于理解整个任务或领域非常重要。但是如果从另一个角度，探讨这些顶尖模型的关系与演化，我们能获得另一种全局体验。

为了获得这种全局概览，我们探索了 SOTA 项目中图像生成领域的顶级模型。根据机器之心的 SOTA 模型统计，在图像生成领域 58 个顶尖模型中，有 32 个模型在命名中带了「GAN」。这还是包含了生成对抗网络、变分自编码器和流模型三大生成模式的结果。

由此可见，GAN 最近两年构建的变体非常多，我们难以理清它的发展主线。为此，通过 SOTA 项目理解 GAN 的发展全景，也不失为一个好方法。

图像生成 SOTA 排名：https://www.jiqizhixin.com/sota/tech-task/3070d792-9832-48aa-bb1c-3b899fc3c100

因为图像生成领域的 SOTA 排名涉及非常多的数据集与度量方法，我们并不能直观展示不同 GAN 的发展路线。但是通过统计最主流的一些解决方案，我们还是能从模型架构与损失函数两方面介绍 GAN 的发展。

图注：模型由浅到深、机制由简单到复杂、图片质量由低到高的发展过程，其中 SinGAN 获得了 ICCV 2019 最佳论文。图片改编自 arXiv:1906.01529。

图注：不同生成对抗网络所采用的损失函数，它们针对 GAN 的不同缺点提出了自己的解决方案。