MelGAN

论文MelGAN针对的是从mel谱生成语音，里面说当条件很强的时候，随机噪声就没啥用了，因此没将noise注入到生成器中；

运用的判别器也仅有1个输入，不是cGAN的形式

image-to-image translation with conditional adversarial networks

主要针对图片到图片的转换任务，例如：给定轮廓，利用NN补充细节。也说随机噪声作用不大。文中仅以dropout的形式实现随机噪声，但本文也称自己为GAN。

仅使用L1会得到模糊结果(文中其他地方说用L2会更模糊)，仅使用GAN会得到清晰但是有artifact的结果，联合使用L1+GAN效果最好；

L1loss和L2loss在图像问题上会导致模糊现象，但是这两个loss都捕捉到了低频信息。

采用GAN的目的是仅对高频进行建模，L1用来最低频做建模

如下结果表明：相较于GAN，cgan还是有优势的。cgan和gan的区别就是是否将原始特征输入x中；