生成式对抗网络（Generative Adversarial Nets，GAN）

最新推荐文章于 2025-07-15 04:09:27 发布

AlisaZqq

最新推荐文章于 2025-07-15 04:09:27 发布

阅读量1.7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文查看文章标签： GAN

本文链接：https://blog.youkuaiyun.com/qq_38273984/article/details/88421016

本文详细介绍了生成式对抗网络（GAN）的基本原理、框架组成和算法说明，包括生成模型与判别模型的交互博弈过程。GAN在图像生成、数据增强等领域有广泛应用，已成为深度学习研究的热点。文中还提及了GAN的训练过程和相关实验，通过MNIST、TFD和CIFAR-10数据集进行验证，并讨论了不同激活函数的选择对模型的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

生成式对抗网络，2019-03-17

相关工作，主要介绍生成模型的含义、模型实现的难点和现有技术的缺陷；
算法说明，介绍了算法原理，算法最优解的求解和证明；
实验，记录了将GAN和其他当时已有的几个模型在多个数据集上进行实验后的结果，并对其进行分析；
总结和展望，分析GAN模型的优缺点及其可拓展的方向。

背景介绍

深度学习领域可分为两个部分，一是检测识别，可用于图像分类，目标识别等，相关技术更为成熟，影响更为深远；二是图像生成，但由于其需要大量的先验知识对真实世界建模，且它在处理概率计算等方面存在困难，影响较小，可研究的空间更大。
而当时存在的模型如受限玻尔兹曼机制（RBM），深玻尔兹曼机制（DBM），深度置信网络（DBN）和生成式随机网络（GSN）等存在低效、计算困难等缺陷。
于是，2014年，Ian J.Goodfellow等人提出了一种通过对抗过程评估生成模型的新框架-GAN，首次发表于NIPS2014年的会议上（NIPS即神经信息处理系统大会，是一个关于机器学习和计算神经科学的国际会议，是机器学习领域的顶级会议之一）。
论文链接：https://arxiv.org/pdf/1406.2661.pdf
GAN技术具有广泛的应用场景：
图像生成（AI画像-可用于动漫设计、影视制作等，模糊图->清晰图（去雨、去雾、去抖动、去马赛克），可用于破案、旧照片修复等）；
数据增强（可以根据已有数据生成更多数据，以减缓模型过拟合现象）。
GAN目前是深度学习领域的一大研究热点，根据国外大神对GAN相关论文的统计结果可以看到，从GAN这一概念被提出之后，对GAN技术的相关研究与日俱增，截止到2018年年底，以GAN命名的论文的月累计数量以及超过了485，所以我们也很有必要了解一下GAN的