2023年2月18日 · GANs 的基本目标之一是生成具有高质量的逼真图像。 由于网络的容量有限，原始 GAN (FCGAN) 仅应用于 MNIST、Toronto face 和 CIFAR-10 数据集。 DCGAN 和 LAPGAN 引入了转置卷积和上采样过程，这使得模型能生成更高分辨率的图像。

2021年6月29日 · 生成对抗网络 (Generative Adversarial Networks, GANs) 在过去几年中被广泛地研究，其在图像生成、图像转换和超分辨率等领域取得了显著的进步。 到目前为止，已经提出了大量基于GANs的相关工作和综述。 本文基于柏林圣三一大学计算机科学与统计学院的王正蔚博士与字节跳动AI实验室联合发表的一篇综述 [1] 为基础，详细的解读GANs的来龙去脉，同时为大家介绍近期一些相关工作，中间也会穿插一些笔者的见解。 最后，本文也将列出一些可探索的未来 …

GANs最先是由蒙特利尔大学的Ian Goodfellow提出，已在图像生成和风格迁移等领域获得了巨大的成功，充分展示了“无监督学习”技术的潜力。 GANs是如何工作的？

GANs的绝妙之处在于首先间接地比较在下游任务上两个分布的表现， 然后针对该任务进行生成网络的训练，以使生成的分布越来越接近真实分布。 GANs的下游任务是真实样本与生成样本之间的区分任务。

2025年2月1日 · Generative Adversarial Networks (GANs), introduced in 2014, consist of two neural networks\u2014the generator, which creates realistic data from random noise, and the discriminator, which evaluates the authenticity of the data, engaging in an adversarial training process to improve the quality of generated samples.

GANs的主要出发点是机器学习中生成模型的问题，即给定一些无标签的真实数据，利用GANs可以得到一个生成模型，该模型生成的数据和真实数据分布一致。

2020年3月29日 · 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。 模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。 原始 GAN 理论中，并不要求 G 和 D 都是 神经网络，只需要是能拟合相应生成和判别的函数即可。 但实用中一般均使用深度神经网络作为 G 和 D 。 一个优秀的GAN应用需要有良好的训 …

生成对抗网络 （英語： Generative Adversarial Network，简称 GAN）是 非监督式学习 的一种方法，通過两个 神经網路 相互 博弈 的方式进行学习。 该方法由 伊恩·古德费洛 等人于2014年提出。 [1] 生成對抗網絡由一個生成網絡與一個判別網絡組成。 生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。 判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。 而生成網絡 …

2021年4月3日 · 在本文中，我们试图从算法、理论和应用的角度对各种GANs方法进行综述。首先，详细介绍了大多数GANs算法的研究动机、数学表示和结构。此外，GANs已经与其他机器学习算法结合用于特定的应用，如半监督学习、迁移学习和强化学习。

2016年2月2日 · One of the most promising approaches of those models are Generative Adversarial Networks (GANs), a branch of unsupervised machine learning implemented by a system of two neural networks competing against each other in a zero-sum game framework.