1. 根据Text生成Image
1.1. 传统的监督学习方法
存在的问题：
同一个输入在database中可能同时对应多种输出。
训练的结果会输入各种可能的平均。所致结果很糊而不伦不类。
1.2. Conditional GAN的学习方法
生成网络G和鉴别网络D：
存在的问题：
G只要产生出足够高质量的图像，就可以骗过D。但这个高质量的图像很可能入输入的条件无关。
高质量但与输入无关的图像也应该是false的图像。现在D无法鉴别这种情况。
最后G会生成高质量但无视输入的图像。
1.3. 改进的Conditional GAN
改进方法：
网络D的输入同时考虑G的输入c和G的输出x。
D的判断G输出是否合理的标准有：
（1）x是否高质量
（2）c和x是否match
定义一个样本为{c, x}对，其中c是输入的条件，这里就是文本，x是生成的目标，这里就是指图像。
- part 1 训练D
- 从database中sample出m个positive样本。
- 随机生成m个noise图像，配上step1中positive样本的文字，得到的是m个负样本。
- 在从database中再sample出m个真实图像，配上step1中positive样本的文字，又得到的是m个负样本。
- 更新D的参数以最大化：
V = 第1组样本的平均分 + （1-第2组样本的平均分） + （1-第3组样本的平均分） - part 2 训练G
- 生成m个随机图像z
- 从database中随机sample出m个文本c
- 更新G的参数，只(c, z)在D中的分数越高越好
网络D的两种结构：
1.4. Stack GAN
先生成小张图，再根据小张图生成大张图
2. 根据Image生成Image
例子：
2.1. 传统的监督学习方法
同text to Image
2.2. 条件GAN
同text to Image
2.3. patch GAN
当要生成的image很大时，让D每次只检查image的一小块。
3. 其它应用
用于语音增强
用于vedio生成