EditGAN、full-body anime GAN、Waifu GAN

Vanilla GAN、DCGAN、WGAN、CGAN、Pix2Pix、CycleGAN、StyleGAN

1. 标准GAN (Vanilla GAN)
2. 条件GAN (Conditional GAN, cGAN)
3. 深度卷积GAN (DCGAN, Deep Convolutional GAN)
4. 生成对抗网络的Wasserstein距离 (WGAN)
5. 渐进式GAN (Progressive GAN, ProGAN)
6. 自注意力GAN (Self-Attention GAN, SAGAN)
7. CycleGAN
8. Pix2Pix
9. BigGAN
10. StyleGAN
11. Attention GAN
12. StarGAN
13. StyleGAN3
14. VQ-VAE-2 (Vector Quantized Variational Autoencoder)

生成對抗網絡（Generative Adversarial Network, GAN）自2014年由Ian Goodfellow提出以來，已經發展出許多變種和擴展，形成了龐大的GAN家族。以下是一些常見的GAN變種及其特點：

1. DCGAN (Deep Convolutional GAN)

• 提出使用卷積神經網絡來構建生成器和判別器。
• 使GAN在生成圖像任務中表現更好，是GAN在圖像生成領域的基礎模型。

2. CGAN (Conditional GAN)

• 在GAN的生成和判別過程中加入條件資訊（如類別標籤）。
• 使生成的樣本可以控制在特定類別或屬性上，常用於有標籤數據的生成。

3. WGAN (Wasserstein GAN)

• 通過引入Wasserstein距離改進GAN訓練的穩定性，解決了原始GAN容易不收斂的問題。
• WGAN-GP進一步在WGAN上加入了梯度懲罰，提高了模型的穩定性。

4. LSGAN (Least Squares GAN)

• 使用最小二乘損失函數替代原始的交叉熵損失函數，降低了訓練過程中的不穩定性。
• 能生成更高質量的圖像，並且解決部分模式崩潰問題。

5. CycleGAN

• 實現了無需成對數據的圖像到圖像轉換。
• 特別適用於風格遷移任務，如將照片轉換為繪畫風格或進行不同風格之間的圖像轉換。

6. Pix2Pix

• 對圖像到圖像的轉換進行了有條件控制，需要成對的訓練數據。
• 常用於圖像合成和修復任務，如黑白圖像上色或草圖轉照片。

7. BigGAN

• 用於生成高解析度、高質量的圖像。
• 使用較大的模型和更複雜的訓練技術，使生成的圖像更加細緻且逼真。

8. StyleGAN

• 提出了風格控制的生成方式，可以對生成圖像進行更細緻的調整。
• StyleGAN2進一步改進了生成質量和穩定性，常用於人臉、場景等高質量圖像生成。

9. SRGAN (Super-Resolution GAN)

• 用於超分辨率圖像生成，將低解析度圖像轉換為高解析度。
• 常用於圖像增強，生成細節豐富的高解析度圖像。

10. 3D GAN

• 用於生成3D模型的GAN，可以生成3D形狀和結構。
• 常應用於3D物體建模、遊戲設計和虛擬現實等領域。

這些只是GAN家族中的一部分，隨著研究的深入，還會有更多新的變種和應用出現。GAN家族在圖像、視頻生成以及許多生成式任務中持續發揮著重要作用。

生成对抗网络（GAN）家族有很多变种，以下是一些主要的：

1. Vanilla GAN：经典的基本GAN模型。
2. DCGAN：使用卷积神经网络（CNN）改进图像生成。
3. CGAN：加入条件信息，生成特定类型的数据。
4. WGAN：通过Wasserstein距离提升训练稳定性。
5. WGAN-GP：改进WGAN，加入梯度惩罚，进一步稳定训练。
6. SAGAN：引入自注意力机制，增强全局特征建模。
7. Pix2Pix：条件GAN用于图像到图像的转换（如风格迁移）。
8. CycleGAN：无监督图像到图像转换，支持风格转换。
9. LSGAN：使用最小二乘损失改进训练过程。
10. SRGAN：用于图像超分辨率生成。
11. BigGAN：用于高分辨率图像生成。
12. StyleGAN：生成高质量图像，特别适用于人脸生成。
13. InfoGAN：通过最大化互信息增加生成控制性。
14. StarGAN：支持多领域图像转换。
15. PGGAN：逐步提高分辨率，生成高质量图像。

1. Vanilla GAN
2. DCGAN (Deep Convolutional GAN)
3. WGAN (Wasserstein GAN)
4. WGAN-GP (Wasserstein GAN with Gradient Penalty)
5. CGAN (Conditional GAN)
6. Pix2Pix
7. CycleGAN
8. StyleGAN
9. BigGAN
10. Self-Attention GAN (SAGAN)
11. LGAN (Least Squares GAN)
12. ALICE (Adversarial Learning with Inverse Contrastive Embeddings)
13. SinGAN
14. StyleGAN2-ADA