生成式对抗网络研究综述

孙书魁，范 菁，曲金帅，路佩东

1.云南民族大学 电气信息工程学院，昆明650000

2.云南民族大学 云南省高校信息与通信安全灾备重点实验室，昆明650000

近年来，随着不同行业领域海量数据的涌现以及硬件设备的算力不断增强，人工智能的身影开始出现在各个领域。其中机器学习是人工智能的核心应用，它关注的是计算机学习能力所依据的程序和算法的改进与优化。根据有无监督，机器学习[1]分为监督学习和非监督学习。在监督学习中，人工标记的数据即昂贵又耗时；另外，自动收集数据也较繁杂。在深度学习中，解决这个问题的关键技术之一是数据扩充，将这种方法应用于模型可以提高模型的能力，并减少泛化误差。通过对图像进行旋转、裁剪、缩放和其他简单变换等操作，创造出新的、可接受训练的样本集，从而实现数据扩充。然而，使用这种方法获得的数据是有限的。最先进的数据扩充方式是通过生成模型生成高质量的样本。考虑到生成模型具有生成大规模数据的能力，标签数据短缺的问题将得到大幅度缓解。

生成模型通常基于马尔科夫链、最大似然估计和近似推理。受限玻尔兹曼机[2]及其开发模型、深度信念网络[3]以及深度玻尔兹曼机[4]都是基于最大似然估计的，这些模型存在一些严重的缺陷，泛化能力不强。为解决这些缺陷，Goodfellow等人在2004年提出生成式对抗网络（generative adversarial networks，GAN）[5]。自首次提出，GAN就被研究学者誉为“深度学习中最重要的创新之一”。作为深度学习领域领军人物的LeCun 曾表示，GAN 及其变体是“过去20 年来深度学习中最酷的想法”。……