MartinIsaksson译者
Sambodhi策划
刘燕在图像处理方面，机器学习实践者们正在逐渐转向借助生成对抗网络的力量，本文带你了解其中五种生成对抗网络，可根据自己的实际需求进行选型。
本文最初发表于TowardsDataScience博客，经原作者公司PerceptiLabs授权，InfoQ中文站翻译并分享。
在图像处理方面，机器学习实践者们正在逐渐转向借助生成对抗网络（GenerativeAdversarialNetwork，GAN）的力量。
实际受益于使用生成对抗网络的应用包括：从基于文本的描述生成艺术品和照片、放大图像、跨域翻译图像（例如，将白天的场景改为夜间）及许多其他应用。为实现这一效果，人们设计了许多增强的生成对抗网络架构，它们具有独特的功能，可用于解决特定的图像处理问题。
在本文中，我们选择五种生成对抗网络进行深入讨论，因为它们提供了广泛的功能，从放大图像到创建基于文本的全新图像。
ConditionalGAN
StackedGAN
InformationMaximizingGAN
SuperResolutionGAN
Pix2Pix
如果你需要快速回顾生成对抗网络，请查阅博文《探索生成对抗网络》（ExploringGenerativeAdversarialNetworks，