【综述】生成式对抗网络GAN最新进展综述

【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：

1. 介绍研究策略和结论

2. 介绍相关综述工作

3. 给出简短的GAN介绍

4. 回顾GAN架构的变体

5. 回顾损失函数的变体

6. 总结GAN变体间的差异与关联

7. 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