- Alec Radford, ICLR2016
原文:https://arxiv.org/abs/1511.06434
论文翻译:https://www.cnblogs.com/lyrichu/p/9054704.html
代码实现:https://github.com/sunshineatnoon/Paper-Implementations/blob/master/dcgan/dcgan.py
ABSTRACT
CNN在监督学习上有着很多的成就,但是在非监督学习上却没有大的进展。
作者将CNN和GAN结合,使得Generator和Discriminator都学习到了很好的层次表达能力(hierarchy representations)和很好的泛化能力(general image representations)。
1 INTRODUCTION
用GAN作为feature extracotrs,从大量未标注的数据中学习到特征表达后,用于监督学习,是一个很热门的研究领域。
GAN提供了一个替代最大似然的技术,但学习过程缺乏启发式成本函数(heuristic cost function),例如像素独立均方误差(pixel-wise independent mean-square error)。
GAN有一个问题就是训练非常不稳定,常常得到没有意义的结果。