Дослідження · 10 червня 2014 р.
Описано схему навчання, у якій генератор і дискримінатор навчаються один проти одного.
GAN зробили генерацію реалістичних зображень практичною задачею й задали напрям робіт, який передував дифузійним моделям.
Навчання таких моделей нестабільне; пізніші роботи присвячено здебільшого саме цій проблемі.
arXiv · Опубліковано 10 червня 2014 р.
Обидві роботи описують генерацію зображень навчанням на даних; механізми навчання різні.
Інша відповідь на ту саму задачу породження, з'явилася на півроку раніше.
Auto-Encoding Variational BayesІнший шлях до тієї самої задачі: якість вибірок порівнюється зі змагальними мережами, без змагального навчання.
Denoising Diffusion Probabilistic Modelspix2pix — умовна змагальна мережа: генератор вчиться обманювати дискримінатор, як у GAN 2014 року, на який стаття посилається.
Image-to-Image Translation with Conditional Adversarial Networks (arXiv:1611.07004v1)StyleGAN змінює лише генератор змагальної мережі, лишаючи дискримінатор і втрату такими, як у GAN.
A Style-Based Generator Architecture for Generative Adversarial Networks (arXiv:1812.04948v1)