【导读】这几年来,生成式对抗网络引起了学术界的高度重视,本文为大家带来了一份最新的GAN综述,带大家快速浏览这一方向的研究进展。
介绍:
近些年来,生成式对抗网络(GANs)在机器学习领域,得到了广泛的研究,可以说是计算机领域革命性的技术成果,具有广泛的应用价值(如图像生成、图像转换、面部属性操作等)。尽管在计算机视觉领域得到了显著成功,但将GAN应用于实际问题,仍然存在着三个主要挑战:(1)高质量图像生成;(2)多样化的图像生成;(3)稳定的训练效果。考虑到文献中的大量GAN相关研究,我们提供了一个此方向的研究系统分类,从两个方向来论述了以上三个挑战。在本文中,我们回顾了7中架构及8中损失函数,并进行了相关性能分析。
相关代码地址:
https://github.com/sheqi/GAN_Review
生成式对抗网络研究主要关注于两个方向:(1)提升GAN的训练效果;(2)将GAN应用于现实应用。第一个研究方向旨在提高GAN的模型性能,通过文中多种研究工作,我们提供了一份简短的介绍,来描述GAN以及其变体的相关进展其对性能的提升可以被总结为几个方面:(1)生成图像的多样性;(2)生成图像的质量;(3)稳定的训练过程。为了达到以上的提升效果,我们需要从两个方向进行改变:模型架构与loss函数。本文将从两个方向着手,分别对GAN家族中的相关模型进行系统分类。
本文组织:
介绍研究策略和结论
介绍相关综述工作
给出简短的GAN介绍
回顾GAN架构的变体
回顾损失函数的变体
总结GAN变体间的差异与关联
总结当前研究及展望未来发展前景
请关注专知公众号(点击上方蓝色专知关注)
后台回复“GANR2019” 就可以获取《生成式对抗网络综述》完整版论文下载链接~
附全文预览:
-END-
专 · 知
专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!
请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~
专知《深度学习:算法到实战》课程全部完成!550+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!
点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程