3.1 从GAN到Conditional GAN
GAN的生成式模型可以拟合真实分布，所以它可以用于伪造数据。DCGAN是第一个用全卷积网络做数据生成的，下面是它的基本结构和生成的数据。
输入100维的噪声，输出64*64的图像，从mnist的训练结果来看，还不错。笔者也用DCGAN生成过嘴唇表情数据，也是可用的。
但是它的问题是不能控制生成的数字是1还是9，所以后来有了CGAN,即条件GAN，网络结构如下。
它将标签信息encode为一个向量，串接到了D和G的输入进行训练，优化目标发生了改变。
与cgan类似，infogan将噪声z进行了拆解，一是不可压缩的噪声z，二是可解释的隐变量c，可以认为infogan就是无监督的cgan，这样能够约束c与生成数据之间的关系，控制一些属性，比如旋转等。
条件GAN的出现，使得控制GAN的输出有了可能，出现了例如文本生成图像的应用。
3.2 金字塔GAN
原始的GAN生成图的分辨率太小，无法实用，借鉴经典图像中的金字塔算法，LAPGAN/StackedGAN各自提出类似的想法，下面是LAPGAN的结构。
它有以下特点。
(1)使用残差逼近，学习相对容易。
(2)逐级独立训练提高了网络简单记忆输入样本的难度，减少了每一次 GAN 需要学习的内容，也就从而增大了 GAN 的学习能力和泛化能力。
在这个基础上，nvidia-gan生成了1024分辨率的图片，它的网络结构和生成结果如下。
3.3 cross domain学习
cross domain的学习，提供了更丰富的数据生成应用。
在传统的domain adaption中，我们需要学习或者训练一个domain adaptor，而这个domain adaptor需要用source domain和对应的target domain的训练图片来训练。coGAN/align gan可以在两个domain不存在对应样本的情况下学出一个联合分布，方法是每一个domain使用一个GAN，并且将高层的语义信息进行强制权值共享。
在这样的基础上，有一些很有意义的应用。比如苹果simGAN用于优化仿真数据的方案，此时生成器G的输入是合成图像，而不是随机向量，它完美学习到了人工合成图片（synthetic images）数据分布到真实图片（real images）数据分布的映射。
下面是生成的结果，很有工程意义。
下面再说一些很酷的应用，细节不再详述。
creative-gan，用于生成艺术风格的图片。
DesignGan【14】，用于设计T恤。
TP-GAN【15】，用于人脸正脸化。
