MelGAN

論文MelGAN針對的是從mel譜生成語音，里面說當條件很強的時候，隨機噪聲就沒啥用了，因此沒將noise注入到生成器中；

運用的判別器也僅有1個輸入，不是cGAN的形式

image-to-image translation with conditional adversarial networks

主要針對圖片到圖片的轉換任務，例如：給定輪廓，利用NN補充細節。也說隨機噪聲作用不大。文中僅以dropout的形式實現隨機噪聲，但本文也稱自己為GAN。

僅使用L1會得到模糊結果(文中其他地方說用L2會更模糊)，僅使用GAN會得到清晰但是有artifact的結果，聯合使用L1+GAN效果最好；

L1loss和L2loss在圖像問題上會導致模糊現象，但是這兩個loss都捕捉到了低頻信息。

采用GAN的目的是僅對高頻進行建模，L1用來最低頻做建模

如下結果表明：相較于GAN，cgan還是有優勢的。cgan和gan的區別就是是否將原始特征輸入x中；