研究人员不断寻找改进的 GAN 技术和 GAN 的新用途。下面是 GAN 变体的采样，让您了解其可能性。
渐进式 GAN
在渐进式 GAN 中，生成器的第一层会生成分辨率极低的图像，后续图层则会添加细节。相较于类似的非渐进式 GAN，此方法允许 GAN 训练得更快，并且可以生成更高分辨率的图像。
如需了解详情，请参阅 Karras 等人于 2017 年。
条件 GAN
条件 GAN 基于已加标签的数据集进行训练，可让您为每个生成的实例指定标签。例如，无条件 MNIST GAN 会生成随机数字，而条件 MNIST GAN 则允许您指定 GAN 应生成哪个数字。
条件 GAN 不是对关节概率 P(X, Y) 进行建模，而是对条件概率 P(X | Y) 进行建模。
如需详细了解条件 GAN，请参阅 Mirza 等人著，2014 年。图片到图片翻译
图片到图片转换 GAN 将图片作为输入，并将其映射到具有不同属性的生成的输出图片。例如，我们可以截取一张汽车形状的彩色 blob 蒙版图片，GAN 可以使用逼真的汽车细节填充形状。
同样，您可以训练一个图像到图像 GAN，以拍摄手提包的草图，并将它们变成手提包的真实照片。
在这些情况下，损失是基于判别器的常用损失与像素级损失的加权组合，会因为发生源图片而流失生成器。
如需了解详情，请参阅 Isola et al, 2016。
循环生成的代码
CycleGAN 会学习如何将一组图像转换为可能属于另一组的图像。例如，如果提供左侧图片作为输入，则 CycleGAN 会生成以下右侧图片。它拍摄了一匹马的图片，然后把它变成了斑马的图片。
CycleGAN 的训练数据只是两组图片（在本例中，是一组马的图片和一组斑马图片）。系统不需要图片之间有任何标签或成对通信。
如需了解详情，请参阅 Zhu 等人在 2017 年的文章，其中说明了如何使用 CycleGAN 在没有配对数据的情况下执行图像到图像的转换。
文字到图片合成
文本到图片 GAN 将文本作为输入，并生成符合文本并说明文本的图像。例如，下面的花卉图片是通过向 GAN 提供文本说明生成的。
| “这朵花有黄色的花瓣，上面有橙色的阴影。” |  |
请注意，在此系统中，GAN 只能从一小部分类中生成图像。
如需了解详情，请参阅 Zhang et al, 2016。
超分辨率
超分辨率 GAN 可提高图像的分辨率，必要时可在细节上填充模糊区域。例如，下面的模糊中间图片是左侧原始图片的下采样版本。考虑到图像模糊，GAN 在右侧生成了更清晰的图像：
| 原文 | 模糊 | 已通过 GAN 恢复 |
 |
 |
 |
GAN 生成的图像与原始图像非常相似，但如果您仔细查看头带，则会发现 GAN 没有从原始图像重现星光模式。相反，它构建了自己的合理模式，以替换下采样所擦除的模式。
如需了解详情，请参阅 Ledig et al, 2017。
面部去除多余脂肪
GAN 已用于语义图片去除任务。在去去除任务中，图片块会被涂黑，并且系统会尝试填充缺失的块。
Yeh et al, 2017 使用 GAN 优于其他方式去除人脸图像：
| 输入 | GAN 输出 |
 |
 |
文字转语音
并非所有 GAN 都会生成映像。例如，研究人员还使用 GAN 从文本输入生成合成语音。如需了解详情，请参阅 Yang etal, 2017。