图11.3 一些生成模型能够从模型分布生成样本（Goodfellow, 2016）图11.9 KL散度的两个方向（Goodfellow, 2016）图11.10 损失响应曲线（Goodfellow, 2016）图11.15: LSGAN的两个最优损失函数的比较（Qi, 2017）图11.17 训练过程（Karras et al., 2018），Latent：低分辨率空间；Reals：图像空间图11.21 通过式子（11.66）优化参数θ的步骤（Hu et al., 2017）图11.23 对抗自编码器和变分自编码器的比较（Makhzani et al., 2015），Adversarial Autoencoder：对抗自编码器；Variational Autoencoder：变分自编码器；Manifold of Adversarial Autoencoder：对抗自编码器的流形图11.28 变分自编码器和Wasserstein自编码器（Tolstikhin et al., 2018），VAE：变分自编码器；WAE：Wasserstein自编码器；VAE reconstruction：变分自编码器重构；WAE reconstruction：Wasserstein自编码器重构图11.33 通过CycleGAN将输入图像转换为莫奈，梵高，塞尚和浮世绘的艺术风格（Zhu et al., 2017），Input：输入；Monet：莫奈；Van Gogh：梵高；Cezanne：塞尚；Ukiyo-e：浮世绘图11.34 通过CycleGAN将图像中的马转换为斑马（Zhu et al., 2017），horse：马；zebra：斑马图11.35 通过CycleGAN将冬季的风景图像转换为夏季的风景图像（Zhu et al., 2017），winter Yosemite：冬季的约塞米蒂国家公园；summer Yosemite：夏季的约塞米蒂国家公园图11.36 通过CycleGAN将图中的苹果转化为橙子（Zhu et al., 2017），apple：苹果；orange：橙子图11.37 BEGAN生成的一些人脸图像（Berthelot et al., 2017）图11.38 BEGAN通过参数控制生成的图片（Berthelot et al., 2017）图11.39 StackGAN框架（Zhang et al., 2017），Text description t：文本描述t；Embedding：嵌入；Conditioning Augmentation：调节增强；Upsampling：上采样；Stage-I Generator for sketch：用于草图的第一阶段生成器；results：结果；real images：真实图像；Downsampling：下采样；Stage-I Discriminator：第一阶段判别器；Compression and Spatial Replication：压缩和空间复制；Stage-II Generator for refinement：用于细节处理的第一阶段生成器；Stage-II Discriminator：第二阶段判别器；Residual blocks：残差块；Spatial Replication：空间复制；Stage-I results：第一阶段结果；This bird is grey with white on its chest and has a very short beak：这只鸟是灰色的，胸部是白色的，有一个非常短的喙图11.40 StackGAN根据上面的文本生成的一些图像（Zhang et al., 2017），This bird has a yellow belly and tarsus, grey back, wings, and brown throat, nape with a black face：这只鸟有黄色的腹部和跗骨，灰色的背部和翅膀，棕色的喉咙和后颈，黑色的脸；This bird is white with some black on its head and wings, and has a long orange beak：这只鸟是白色的，头部和翅膀上有一些黑色，有一个长长的橙色喙；This flower has overlapping pink pointed petals surrounding a ring of short yellow filaments：这朵花有重叠的粉红色尖瓣，环绕着一圈短黄色花丝图11.43 DAGAN的工作流程图示（Ma et al., 2018），input：输入；Output：输出；latent space：隐含空间；loss：损失；loss function：损失函数；Feedward：馈送；DAE：深度注意编码器；Instance：实例；Instance-level：实例级；Set-level：集合级；Instance-level Correspondence：实例级对应；Feed-ward Process of DA-GAN：深度注意力生成对抗网络的馈送过程；The Mechanism of Deep Attention Encoder：深度注意编码器的机制；Attention Map：注意力映射；Generator：生成器；Discriminator for Source Domain：源域的判别器；Discriminator for Target Domain：目标域的判别器；Localization Function：局域化函数；Encoder：编码器图11.44 DAGAN转换的部分图像示例（Ma et al., 2018）
