GAN基础模型
替换成CGAN可以提升模型普适性
判别器/分类器基础模型
判别器残差结构
生成器是否需加入残差结构仍待考虑
生成器基础模型
生成器与判别器的正则化层、激活函数、以及训练的Loss函数均需细化讨论如何添加
相关论文
1.GAN开山之作：
2.WGAN：引入Wasserstein距离，既解决了训练不稳定的问题，也提供了一个可靠的训练进程指标，而且该指标确实与生成样本的质量高度相关。
Wasserstein Generative Adversarial Networks
Improved Training of Wasserstein GANs (WGAN-GP)
3.GAN优化、收敛相关：
4.提出了一种叫做 “谱归一化”（spectral normalization）的新的权重归一化（weight normalization）技术，来稳定判别器的训练。
5.展示了通过使用模拟数据对机器学习模型进行训练可以泛化得到原始数据：
Privacy-preserving generative deep neural networks support clinical data sharing
6.使用RGAN、RCGAN生成时间序列医疗数据
Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs
7.使用BiLSTM-CNN生成标记心电图数据
Electrocardiogram generation with a bidirectional LSTM-CNN generative adversarial network
8.使用GAN增强语音识别鲁棒性
Generative Adversarial Networks Based Data Augmentation for Noise Robust Speech Recognition
9.GAN数据增强
Data Augmentation Generative Adversarial Networks
BAGAN: Data Augmentation with Balancing GAN
DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data