对抗生成网络

作用

手底有一堆数据，告诉它要生成什么东西，它就这么去做。

超分辨率重构

        告诉模型什么样的东西是一个低分辨率图像，什么样的东西是高分辨率图像，再设计一个损失函数。让计算机学习两者之间的关系，怎样由一个低分辨率图像生成一个高分辨率图像。

GAN与领域自适应的区别

GAN通常不直接用于图像分类任务，而是用于生成逼真的图像样本。然而，生成对抗网络（GAN）在图像分类任务中可以发挥一定的作用，尤其是在领域自适应中。

在领域自适应中，我们面临的挑战是源领域和目标领域之间存在的领域差异。GAN可以用于生成目标领域的合成样本，从而帮助缓解源领域和目标领域之间的领域差异。具体而言，可以使用GAN生成器生成目标领域的合成样本，然后将这些样本与源领域的真实样本一起用于训练分类器。

生成的目标领域样本可以帮助分类器更好地适应目标领域的特点，从而提高在目标领域上的分类性能。这种方法被称为生成对抗网络领域自适应（GAN-based Domain Adaptation）。

需要注意的是，GAN在图像分类任务中的应用更多地是作为辅助手段来提升分类性能，而不是直接用于分类本身。主要的任务还是通过训练分类器来学习从输入图像到类别标签的映射关系。