生成对抗网络（英语：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过两个神经网络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] 生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。[2][1][3]
生成对抗网络常用于生成以假乱真的图片。[4]此外，该方法还被用于生成影片[5]、三维物体模型[6]等。
生成对抗网络虽然最开始提出是为了无监督学习，但经证明对半监督学习[4]、完全监督学习[7] 、强化学习[8]也有效。 在2016年的一个研讨会上，杨立昆称生成式对抗网络为“机器学习这二十年来最酷的想法”[9]。
应用
生成对抗网络可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的开销[12]。 生成对抗网络可用于时尚广告活动，创建来自不同群体的模特儿，这可能会增加这些群体的人的购买意图[13]。
在2018年，生成对抗网络进入了电子游戏改造社区。对旧的电子游戏透过图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取样以适应游戏的原始分辨率（结果类似于抗锯齿的超级取样方法）[20]。通过适当的训练，生成对抗网络提供更清晰、高于原始的2D纹理图像质量，同时完全保留原始的细节、颜色。
参见
参考文献
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
