GauGAN
还记得之前的CycleGan和Pix2pixGan吗，使用这两种GAN我们可以转化或者生成从来不存在的图像(从黑夜到白天，从涂鸦到图画)。
但是眼下由英伟达的研究人员Taesung Park、Ming-Yu Liu、Ting-Chun Wang和Jun-Yan Zhu（朱俊彦）共同完成的新的可生成图像的GAN:GauGAN。
正式介绍一下英伟达出品的GauGAN：我们画一幅涂鸦，用颜色区分每一块对应着什么物体，它就能照着我们的空间布局思路，合成以假乱真的真实世界效果图。
在AI界这叫做叫“语义布局”。
要实现这种能力，GauGAN靠的是空间自适应归一化合成法SPADE架构。
这种算法的论文Semantic Image Synthesis with Spatially-Adaptive Normalization已经被CVPR 2019接收，而且还是口头报告（oral）。
可以看到这个GAN与前辈的比较，同样的涂鸦，生成的结果却相差很大。
在基于语义合成图像这个领域里，这可是目前效果最强的方法。
技术简介
本篇论文中提出了一种新的方法，叫做空间适应标准化（SPatially-Adaptive (DE)normalization），简称SPADE。
这是一种条件归一化层，它通过学习到的空间适应变换，用语义布局调节激活函数，让语义信息在整个网络中有效传播，避免语义信息流失。
SPADE与批标准化（Batch Normalization）类似，激活函数channel-wise是标准化的，但在很多标准化技术中，实际标准化操作后就应用到了学习过的仿射层（Affine Layer）。
但在SPADE中，仿射层是从语义分割图中学习的。这类似于条件标准化，不过所学习的仿射参数现在需要空间自适应，也就是对每个语义标签使用不同的缩放和偏差。
就这样一个小小的改变，让语义信号可以作用于所有层输出，不会在生成图像中丢失语义信息。
此外，因为语义信息是通过SPADE层提供的，因此随机向量成为神经网络的输入，所以，你还能随心改变图像的画风。
项目地址
项目地址 : https://nvlabs.github.io/SPADE/
Github相关地址: https://github.com/NVlabs/SPADE
