GAN Zoo:https://github.com/hindupuravinash/the-gan-zoo
算法 | 论文 | 代码 |
---|---|---|
GAN | 论文地址 | 代码地址 |
DCGAN | 论文地址 | 代码地址 |
CGAN | 论文地址 | 代码地址 |
CycleGAN | 论文地址 | 代码地址 |
CoGAN | 论文地址 | 代码地址 |
ProGAN | 论文地址 | 代码地址 |
WGAN | 论文地址 | 代码地址 |
SAGAN | 论文地址 | 代码地址 |
BigGAN | 论文地址 | 代码地址 |
GAN
特征:
(1)结构如下图。
(2)目标函数(二元极小极大博弈问题):
(3)分开训练,固定D训练G,再固定G训练D,不断循环,最终达到纳什均衡.
(4)需要精细设计。难以训练。通常D收敛,G发散。
提升
(1)基于目标函数优化的GAN
(2)基于架构优化的GAN
(3) 基于自编码器优化的GAN
(4) 与其他领域融合的优化
另一个比较:
GAN的挑战和未来研究方向
挑战:
(1)模型太大,性能与成本之间难以平衡;
(2)GAN在特定类别数据集表现OK,但是对多类型样本还未有完美方案;
(3)GAN的全局收敛性有待证明。
未来研究方向:
(1)理论突破。因为博弈似乎不那么可靠;
(2)算法扩展。不要仅仅停留在图像合成、超分,比如进军文本领域也是一个方向;
(3)容易被对抗样本干扰;
(4)数据集是什么分布才适合使用GAN,GAN才会有效;
(5)GAN评价指标;
(6)GAN的可解释性。
参考:
生成对抗网络GAN综述_梁俊杰
生成对抗网络GAN的研究综述_汪美琴
文章出处登录后可见!
已经登录?立即刷新