Peneliti terus menemukan teknik GAN yang ditingkatkan dan penggunaan baru untuk GAN. Berikut adalah sampel variasi GAN untuk memberikan gambaran tentang kemungkinan yang Anda miliki.
GAN Progresif
Dalam GAN progresif, lapisan pertama generator menghasilkan gambar resolusi sangat rendah, dan lapisan berikutnya menambahkan detail. Teknik ini memungkinkan GAN berlatih lebih cepat daripada GAN non-progresif yang sebanding, dan menghasilkan gambar dengan resolusi yang lebih tinggi.
Untuk informasi selengkapnya, lihat Karras et al, 2017.
GAN Bersyarat
GAN bersyarat dilatih pada set data berlabel dan memungkinkan Anda menentukan label untuk setiap instance yang dihasilkan. Misalnya, MNIST GAN tanpa syarat akan menghasilkan digit acak, sedangkan MNIST GAN bersyarat akan memungkinkan Anda menentukan digit yang harus dibuat oleh GAN.
Alih-alih memodelkan probabilitas bersama P(X, Y), GAN bersyarat memodelkan probabilitas kondisional P(X | Y).
Untuk informasi selengkapnya tentang GAN bersyarat, lihat Mirza et al, 2014.Terjemahan Gambar ke Gambar
GAN terjemahan Image-to-Image mengambil gambar sebagai input dan memetakannya ke gambar output yang dihasilkan dengan properti yang berbeda. Misalnya, kita dapat mengambil gambar topeng dengan blob warna dalam bentuk mobil, dan GAN dapat mengisi bentuk dengan detail mobil yang realistis.
Demikian pula, Anda dapat melatih GAN gambar ke gambar untuk mengambil sketsa tas tangan dan mengubahnya menjadi gambar tas tangan yang fotorealistik.
Dalam kasus ini, kerugian merupakan kombinasi berbobot dari kerugian berbasis pembeda yang biasa dan kerugian piksel yang menghukum generator karena keluar dari gambar sumber.
Untuk informasi selengkapnya, lihat Isola et al, 2016.
Siklus
CycleGAN belajar mengubah gambar dari satu set menjadi gambar yang dapat dimiliki oleh set lainnya. Misalnya, CycleGAN menghasilkan gambar sebelah kanan di bawah saat diberikan gambar sebelah kiri sebagai input. Mengambil gambar kuda dan mengubahnya menjadi gambar zebra.
Data pelatihan untuk CycleGAN hanyalah dua kumpulan gambar (dalam hal ini, serangkaian gambar kuda dan serangkaian gambar zebra). Sistem tidak memerlukan label atau korespondensi berpasangan antar-gambar.
Untuk informasi selengkapnya, lihat Zhu et al, 2017, yang mengilustrasikan penggunaan CycleGAN untuk melakukan terjemahan image-ke-gambar tanpa data yang disambungkan.
Sintesis Teks-ke-Gambar
GAN text-to-image mengambil teks sebagai input dan menghasilkan gambar yang masuk akal dan dijelaskan oleh teks. Misalnya, gambar bunga di bawah dihasilkan dengan memasukkan deskripsi teks ke GAN.
| "Bunga ini memiliki kelopak yang berwarna kuning dengan nuansa oranye." |  |
Perhatikan bahwa dalam sistem ini GAN hanya dapat menghasilkan gambar dari sekumpulan kecil class.
Untuk informasi selengkapnya, lihat Zhang et al, 2016.
Resolusi super
GAN beresolusi super meningkatkan resolusi gambar, dengan menambahkan detail jika diperlukan untuk mengisi area yang buram. Misalnya, gambar tengah buram di bawah adalah versi dengan sampel yang dikurangi dari gambar asli di sebelah kiri. Mengingat gambar yang buram, GAN menghasilkan gambar yang lebih tajam di sebelah kanan:
| Asli | Kabur | Dipulihkan dengan GAN |
 |
 |
 |
Gambar yang dihasilkan GAN terlihat sangat mirip dengan gambar asli, tetapi jika Anda melihat dengan lebih ketat ikat kepala, Anda akan melihat bahwa GAN tidak mengulangi pola burst bintang dari aslinya. Sebagai gantinya, kelas ini membuat pola yang masuk akal untuk menggantikan pola yang dihapus oleh down-sampling.
Untuk informasi selengkapnya, lihat Ledig et al, 2017.
Seni Lukis Wajah
GAN telah digunakan untuk tugas inpainting gambar semantik. Dalam tugas paint, potongan gambar dihitamkan, dan sistem mencoba mengisi bagian yang hilang.
Yeh et al, 2017 menggunakan GAN untuk mengungguli teknik lain dalam melukis gambar wajah:
| Input | Output GAN |
 |
 |
Text-to-Speech
Tidak semua GAN menghasilkan gambar. Misalnya, para peneliti juga telah menggunakan GAN untuk menghasilkan ucapan yang disintesis dari input teks. Untuk informasi selengkapnya, lihat Yang et al, 2017.