阅读论文：CR-GAN: Learning Complete Representations for Multi-view Generation
CR-GAN，多视角，自监督，2018
代码：https://github.com/bluer555/CR-GAN
多域图像生成的挑战：1）计算机需要想象3D旋转后的样子。2）多域生成需要保留共性。
单通道设计的问题：1）仅学习不完整的表征。2）对“看不见的”或无约束的数据产生有限的泛化能力。
单路和CR-GAN：单路仅是Z的一个子空间。没见过的就生成的不好。
生成路径：训练G和D。E不参与。G学习如何从隐空间中的任意输入生成真实图像。
重构路径：训练E和D，保持G固定。G保留生成能力。
自监督学习：关键思想是使用预先训练的模型来估计未标记图像的视点。在第一阶段，对标记数据进行网络预训练，使E成为一个很好的视图估计器。在第二阶段，同时使用已标记和未标记的数据来提高G。
优点：1)它为视点估计提供了一个更好的预训练模型作为副产品；2)它保证了我们可以在训练中充分利用未标记的数据，因为CR-GAN学习完整表征。
对比方法：BiGAN，DR-GAN，TP-GAN
数据集： Multi-PIE，300wLP， CelebA，IJB-A