摘要：简介及原理分析生成式对抗网络是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。的损失函数应用的用于十分广泛，如图像生成图像转换风格迁移图像修复等等。
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model，下文简写G）和判别模型（Discriminative Model，下文简写D）的互相博弈学习产生相当好的输出。判别模型（D）的任务就是判断一个实例是真实的还是由模型生成的；生成模型（G）的任务就是生成一个实例来骗过判别模型（D）。两个模型相互对抗，最后会达到一个平衡，即生成模型生成的实例与真实的没有区别，判别模型无法区分输入数据是生成的还是原始真实的数据。怎么更通俗的理解呢？现举如下例子：我们可以把GAN想象成是伪造古董的大师（后称伪造大师）和鉴宝专家之间的博弈，生成模型（generator）就相当于伪造大师，判别模型（discriminator）相当于鉴宝专家。Generator目的就是把假古董造的更像真的一样，从而骗过鉴宝专家；鉴宝专家则需要不断提高自己的鉴宝能力，尽可能的做出正确判断。
在下图两个场景中，左边为真实的输入数据x，当其经过判别器D时，我们希望其输出结果D(x)更接近与1（判别器越接近1表示越真，越接近0表示越假）。右边首先数据z通过生成器G生成了数据G(z)[图中的x]，然后同样通过判别器D进行判断。我们希望对于判别器D来说使D(G(z))更靠近0，即对于生成的数据判别器判断其为假。对于生成器G来说，我们希望D(G(z))更靠近1（生成器越接近1表示生成的效果越好，越接近0表示生成的效果越差），即对生成的数据要求其效果更好，更接近真实数据。
GAN的用于十分广泛，如图像生成、图像转换、风格迁移、图像修复等等。我们可以通过一些图片来直观的感受以下GAN达到的效果：
风格迁移 图像修复从上面两张图中我们可以看出使用GAN进行相关的操作效果还是非常不错的，可以满足人们的需求。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/121825.html
摘要：引用格式王坤峰，苟超，段艳杰，林懿伦，郑心湖，王飞跃生成对抗网络的研究与展望自动化学报，论文作者王坤峰，苟超，段艳杰，林懿伦，郑心湖，王飞跃摘要生成式对抗网络目前已经成为人工智能学界一个热门的研究方向。本文概括了的研究进展并进行展望。 3月27日的新智元 2017 年技术峰会上，王飞跃教授作为特邀嘉宾将参加本次峰会的 Panel 环节，就如何看待中国 AI学术界论文数量多，但大师级人物少的现...
摘要：据报道，生成对抗网络的创造者，前谷歌大脑著名科学家刚刚正式宣布加盟苹果。他将在苹果公司领导一个机器学习特殊项目组。在加盟苹果后会带来哪些新的技术突破或许我们很快就会看到了。 据 CNBC 报道，生成对抗网络（GAN）的创造者，前谷歌大脑著名科学家 Ian Goodfellow 刚刚正式宣布加盟苹果。他将在苹果公司领导一个「机器学习特殊项目组」。虽然苹果此前已经缩小了自动驾驶汽车研究的规模，但...
摘要：所以，我们美团外卖技术团队尝试结合技术，来协助设计师避免这种低收益高重复的任务，同时低成本高效率高质量地完成海报图片的生成。图封面配色布局设计在设计领域的一些子问题上，可以用算法来挖掘出数据背后的规律如图所示。 背景 在视觉设计领域中，设计师们往往会因为一些简单需求付出相当多的时间，比如修改文案内容，设计简单的海报版式，针对不同机型、展位的多尺寸拓展等。这些工作需要耗费大量的时间、人力...
阅读 2944·2021-10-08 10:05
阅读 2327·2021-09-26 10:18
阅读 3110·2021-09-22 10:02
阅读 2898·2019-08-30 15:44
阅读 3188·2019-08-30 15:44
阅读 1679·2019-08-29 15:25
阅读 2309·2019-08-26 14:04
阅读 1856·2019-08-26 12:15
