本文实现了像素级别的风格转换，它的关键是提供了两个域中有相同数据的成对训练样本，本质上，是一个CGAN。
cycle-gan/dual-gan则更胜一筹，不需要配对的数据集，可以实现源域和目标域的相互转换。
pairedcycle，将源域和目标域的相互转换用到化妆和去妆，很有趣的应用。
文学习了一个数据集到另一个数据集的迁移，可以用于迁移学习，如实现漫画风格。
文实现了动作的迁移。
实现了年龄的仿真。
去雨算法，很有实际意义。
卡通风格的转换。
字体风格的迁移。
去模糊。
GAN的应用之超分辨重建
srgan是最早使用GAN做超分辨重建的应用，它将输入从随机噪声改为低分辨率的图片，使用了残差结构和perception loss，有很大的应用价值。
超分辨重建可用于小脸的检测，是个值得关注的方向。
其实GAN还有很多其他的应用，更多内容敬请期待。
