【深度学习】GAN: Generative Adversarial Nets

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。
【深度学习】GAN: Generative Adversarial Nets
(2)目标函数(二元极小极大博弈问题):
【深度学习】GAN: Generative Adversarial Nets
(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
【深度学习】GAN: Generative Adversarial Nets
【深度学习】GAN: Generative Adversarial Nets
另一个比较:
【深度学习】GAN: Generative Adversarial Nets【深度学习】GAN: Generative Adversarial Nets

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

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
青葱年少的头像青葱年少普通用户
上一篇 2022年4月4日 下午3:37
下一篇 2022年4月4日 下午3:48

相关推荐