3、生成对抗网络（GAN）：图像与视频合成及增强现实应用的前沿探索

生成对抗网络（GAN）：图像与视频合成及增强现实应用的前沿探索

1. GAN 架构的发展历程

1.1 原始 GAN 及其局限性

早期，变分自编码器（VAE）存在生成模糊图像的问题。随后出现的原始生成对抗网络（GAN），也被研究界称为 vanilla GAN，虽有创新，但也有自身局限。Goodfellow 提出的架构中，生成器和判别器都使用多层感知器（MLP），这导致训练不稳定，生成器有时会产生无意义的输出。

1.2 改进架构

• 深度卷积生成对抗网络（DCGAN） ：在原始 GAN 提出后不久，DCGAN 被提出。它进行了一系列改进，包括去除全连接隐藏层，使用跨步卷积层替代全连接层，采用批量归一化概念，以及使用 Leaky ReLu 激活函数。
• 条件生成对抗网络（cGAN） ：vanilla GAN 对生成内容缺乏控制，生成样本类别不确定，部分训练数据变化可能无法在输出中体现。cGAN 通过让生成器和判别器接受额外信息（如类别标签、文本等），帮助生成特定类别的图像，但要求所有训练数据都有标签，这在处理大型图像数据库时往往难以实现。
• 辅助分类器生成对抗网络（AC - GAN） ：为克服 cGAN 的局限，AC - GAN 仅将类别标签输入生成器，判别器需自行学习。判别器输出图像真假概率和类别概率，还能进行半监督学习，即当训练图像无标签时忽略类别标签损失。
• 信息最大化生成对抗网络（InfoGAN） ：与 cGAN 不同，Inf