文本到图像合成
另一个比较通用的实现：
人脸合成
不同姿态下的合成面：使用单个输入图像，我们可以在不同的视角下创建面。例如，我们可以使用它来转换更容易进行人脸识别图像。
图像修复
几十年前，修复图像一直是一个重要的课题。gan就可以用于修复图像并用创建的“内容”填充缺失的部分。
学习联合分配
用面部字符P（金发，女性，微笑，戴眼镜），P（棕色，男性，微笑，没有眼镜）等不同组合创建GAN是很不现实的。维数的诅咒使得GAN的数量呈指数增长。但我们可以学习单个数据分布并将它们组合以形成不同的分布，即不同的属性组合。
DiscoGAN
DiscoGAN提供了匹配的风格：许多潜在的应用程序。DiscoGAN在没有标签或配对的情况下学习跨域关系。例如，它成功地将样式（或图案）从一个域（手提包）传输到另一个域（鞋子）。
DiscoGAN和cyclegan在网络设计中非常相似。
Pix2Pix
PIX2PIx是一种图像到图像的翻译，在跨域Gan的论文中经常被引用。例如，它可以将卫星图像转换为地图（图片左下角）。
DTN
从图片中创建表情符号。
纹理合成
图像编辑 (IcGAN)
重建或编辑具有特定属性的图像。
人脸老化(Age-cGAN)
创建动画角色
众所周知，游戏开发和动画制作成本很高，并且雇佣了许多制作艺术家来完成相对常规的任务。但通过GAN就可以自动生成动画角色并为其上色。
使用Generative Adversarial Networks创建自动动画人物角色
生成器和判别器由多层卷积层、批标准化和具有跳过链接的relu组成。
神经照片编辑器
基于内容的图像编辑：例如，扩展发带。
细化图像
目标检测
这是用gan增强现有解决方案的一个应用程序。
图像融合
将图像混合在一起。
生成三维对象
这是用gan创建三维对象时经常引用的一篇文章。
音乐的产生
GaN可以应用于非图像领域，如作曲。
医疗（异常检测）
GAN还可以扩展到其他行业，例如医学中的肿瘤检测。
