图像压缩在计算机视觉领域占据着比较重要的位置，随着GAN，VAE和超分辨率图像让生成模型得到了很大的进步。不同的模型 有着不同的性能优势，Performance Comparison of Convolutional AutoEncoders, Generative Adversarial Networks and Super-Resolution for Image Compression 一文用精炼的语言加上较为严谨的实验对比了GAN，CAE和super-resolution在图像压缩性能上的优势。

图片到图片，文本到图片的生成，这些都属于不含时序信息的生成过程。我们之前提过GAN用于音频的生成也是基于声谱图的基础上展开的， 时序信息的生成一直是生成模型上的一个难点，今天一起来看一篇可以用于时序信息生成的GAN模型–Temporal GAN。 Temporal GAN从名字上看就是和时序有关的GAN的模型，我们一起来看一下。

GAN的提出和发展让生成模型得到了大大的提高，随着GAN的不断成熟，我们见识到了WGAN， WGAN-GP，LSGAN，BEGAN， iGAN，SAGAN，Bayesian GAN等强大的图像GAN的生成模型。 也见识到了图像到文本生成的GAN-CLS，图像到图像的CycleGAN， Unit，BicycleGAN，图像音频相互转换的CMAV。 今天我们将来看GAN实现音频和音频互相转换生成的文章StarGAN-VC。最终可以实现男声到男声，男声和女声相互转换。

SAGAN的论文（Self-Attention GAN）解读我们之前的博客中已经写过了，今天我们来简单实现一下SAGAN的实验。 本实验的基础是在我的github上传的tensorflow-GANs的基础上完成的，所以只是简单的复刻， 旨在说明如何实现并不强调调参和具体细节，所以代码只演示mnist数据集下的实验结果。