生成对抗网络介绍及应用

奚祥品，陈 筱，朱向冰

(安徽师范大学 物理与电子信息学院，安徽 芜湖241002)

0 引言

近年来，随着计算机技术的发展，数据量的积累和对动物神经网络的研究及成果，使得人工智能发展迅速，在机器学习方面尤为突出。依据输入数据集是否有标签(label)，机器学习任务被分为有监督学习[1]、无监督学习[2]和半监督学习[3]。目前机器学习[4]方法，特别是深度学习[5]方法在无监督学习任务中取得优秀的成绩，如图像修复、图像生成及风格迁移等。生成对抗网络(Generative Adversarial Networks,GAN)是一种无需大量标注训练数据的深度学习模型，在许多方面都有应用，包括图像生成[6]、图像语义编辑[7]、图像风格转换[8]以及图像超分辨率等[9]。

2014年，Goodfellow等人[10]最早提出了生成器和判别器的概念和结构，介绍了GAN。2014年9月，Mehdi Mirza等人[11]在原始GAN的基础上提出了条件GAN，证明了该模型可以生成以类别标签为条件的手写数字集。Xi Chen等人[12]提出了GAN的理论扩展InfoGAN，从3D渲染图像的光照中构成模型，从SVHN数据集上的中心数字中获得背景数字。Yu L等人[13]提出了一个序列生成框架，称为SeqGAN，以解决原始GAN不易生成离散标记序列的问题。GAN广泛应用在图像领域，将从GAN模型的结构和原理进行介绍。

1 GAN模型

GAN是一组相互竞争的网络。GAN由生成器(Generator)和判别器(Discriminator)组成。例如对于一组图像数据集，常见的类比是把一个网络看作伪造专家，而另一个网络看作鉴别专家。伪造专家被称为“生成器G”，生成器的目的是为了生成逼真的图像。鉴别专家被称为“判别器D”，它接收伪造(fake)图像和真实 (real)图像，并将它们区分开,如图1所示。……