生成对抗网络2014

生成对抗网络常用于生成以假乱真的图片。此外，该方法还被用于视频帧预测、三维物体模型等。

生成对抗网络虽然最开始提出是为了无监督学习，但经证明对半监督学习、完全监督学习、强化学习GAIL（Generative Adversarial Imitation Learning）通过逆强化学习框架实现策略优化也有效。 在2016年的一个研讨会上，杨立昆称生成式对抗网络为“机器学习这二十年来最酷的想法”。

核心定义

数学形式 minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))] 其中G为生成器，D为判别器

潜在空间说明，潜在空间z通常服从高斯分布N(0,I)，维度需人工设置（如DCGAN中z∈R100）

重要子类说明

Wasserstein GAN改进 使用Earth-Mover距离替代JS散度： W(pr,pg​)=infγ∈Π(pr,pg​)​E(x,y)∼γ​[∣∣x−y∣∣] 需满足判别器Lipschitz约束

渐进式训练策略 ProGAN采用分层训练模式，从低分辨率（4×4）开始逐步加倍分辨率至1024×1024

应用

生成对抗网络的应用范围正在大幅增加。

时尚和广告

生成对抗网络可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的开销。 生成对抗网络可用于时尚广告活动，创建来自不同群体的模特儿，这可能会增加这些群体的人的购买意图。

科学

生成对抗网络可以改善天文图像，并模拟重力透镜以进行暗物质研究。

在2019年，生成对抗网络成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引​​力透镜。

电子游戏

在2018年，生成对抗网络进入了电子游戏改造社区。对旧的电子游戏透过图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取样以适应游戏的原始分辨率（结果类似于抗锯齿的超级取样方法）。通过适当的训练，生成对抗网络提供更清晰、高于原始的2D纹理图像质量，同时完全保留原始的细节、颜色。