41、生成对抗网络（GAN）入门指南

生成对抗网络（GAN）入门指南

1. 生成图像的主要工具

深度学习中的图像生成是通过学习潜在空间来实现的，潜在空间捕捉了图像数据集的统计信息。通过从潜在空间中采样和解码点，我们可以生成前所未见的图像。主要有两种工具可用于此目的：变分自编码器（VAEs）和生成对抗网络（GANs）。

1.1 VAEs 和 GANs 的特点

• VAEs ：能产生高度结构化、连续的潜在表示。因此，它们非常适合在潜在空间中进行各种图像编辑，如面部交换、将皱眉脸变为笑脸等。它们也适用于基于潜在空间的动画制作，例如沿着潜在空间的横截面进行动画展示，或让起始图像逐渐连续地演变成不同的图像。
• GANs ：能够生成逼真的单帧图像，但可能无法诱导出具有坚实结构和高连续性的潜在空间。在实际应用中，大多数成功的图像相关应用依赖于 VAEs，但 GANs 在学术研究领域一直很受欢迎。

2. 生成对抗网络（GANs）概述

2.1 GANs 的原理

GANs 由生成器网络和判别器网络组成，这两个网络相互对抗训练。可以将其类比为一个伪造者试图创作一幅假的毕加索画作，以及一位艺术经销商试图辨别画作真伪的过程。

• 生成器网络 ：将随机向量（潜在空间中的随机点）作为输入，并将其解码为合成图像。
• 判别器网络（或对手） ：将图像（真实或合成）作为输入，并预测该图像是来自训练集还是由生成器网络创建的。