近几年已经见证了深度神经网络在各个领域的巨大能力。 深度神经网络已经成为许多问题背后的常见解决方案,特别是对于与图像相关的难题。 具体而言,基于GAN的方法在一系列图像生成问题上表现出极好的性能。 更具体地说,对于基于指导的图像生成,与传统的深度学习方法相比,GAN展示出显着的成就。
一、 生成式对抗网络(GAN)
1. 网络结构:
GAN的主要灵感来源于博弈论的思想,生成对抗网络的出现对无监督学习,图片生成的研究起到极大的促进作用。GAN有两个网络,G(Generator)和D(Discriminator)。
生成网络G:生成网络负责捕捉样本数据的分布,它接收一个随机的噪声z,通过这个噪声生成图片,记做G(z)。
判别网络D:判别网络一般情况下是一个二分类器,判别输入是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x),表示x为真实图片的概率
在原始的GAN中,G和D均采用深度神经网络(DNN)
训练思路:生成网络G的目标就是尽量生成真实的图片去愚弄判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。