原视频地址：http://www.iqiyi.com/w_19s69q2jht.html#vfrm=8-8-0-1
本期有李鸿升和朱俊彦两位大佬做报告，由于李鸿升报告主题是文字生成图像，非自己研究方向，所以未整理。
朱俊彦老师的报告整理在 https://www.cnblogs.com/yinshu/p/10794886.html。
本篇只涉及报告后的Panel环节里的问答整理。
Panel主题：GAN时代的真真假假虚虚实实
主持人：郑海永（中国海洋大学）
Panel嘉宾：朱俊彦（麻省理工学院）、李鸿升（香港中文大学）、齐国君（华为美国研究所）、徐畅（悉尼大学）
议题一：
GAN与其他生成模型相比有什么优势？GAN的优缺点是什么？
优势：不同的地方在于使用对抗性的方法，用判别器来区分真假，传统的生成模型大部分使用的MSE。
优点：传统的MSE方法只考虑正样本，没有考虑fake样本和正样本的分布差别。GAN既考虑正例又考虑负例，在一些正例搞不定的情况下，可以通过负例来排除，减少搜索空间，可以帮助我们发现在一个高维空间中哪些空间是与正例相关的。
缺点：mode collapse。
议题二：
GAN在图像生成/合成方面还有哪些问题亟需解决？
（1）loss function
（2）高分辨率图像生成问题。逼真度不够
（3）GAN在数据量少（维度又高）的场景下做生成，即医学影像
议题三：
GAN在其他场景和视觉数据（比如：视频，3D模型，等）的应用。
（1）person re-id
（2）生成训练数据（Apple CVPR2017 best paper）
（3）hard training example（Adversarial Erasing）
（4）style transfer
（5）graph数据生成
议题四：
与人类艺术家相比，GAN能否在艺术领域有所作为？
嘉宾1：目前能提供给艺术家的是便利性，无法传递出一定的情感和诉求。
嘉宾2：情感分析，让GAN传递感情，可能使GAN应用更广泛。
议题五：
GAN的理论可解释问题。
嘉宾1：measure/criterion 来评估生成质量和泛化能力。
嘉宾2：分为两个部分：一是neural部分，二是measure的可解释性（loss）。neural部分的研究较少。
小结
GAN的研究热点：
一是本身训练不稳定的问题，但相关研究已经很多，相对成熟了。
二是其应用问题，有很多方向，也是现在研究最多的。用GAN生成训练数据，更好帮助其他网络进行训练。还有它在风格迁移，医学影像等方向的应用。
三是其评价标准问题，相关研究还不是很多。