生成对抗网络

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。^[1][2][3]

由GAN deepfake生成的人脸

生成对抗网络常用于生成以假乱真的图片。^[4]此外，该方法还被用于视频帧预测^[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]GAIL（Generative Adversarial Imitation Learning）通过逆强化学习框架实现策略优化^[9]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”^[10]。

核心定义

1. 数学形式 minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))] 其中G为生成器，D为判别器^[11]
2. 潜在空间说明，潜在空间z通常服从高斯分布N(0,I)，维度需人工设定（如DCGAN中z∈R100）^[12]

现代基准数据^[13]

模型	数据集	评价指标 (FID↓)	参数量
StyleGAN2	FFHQ	2.84	30M
BigGAN-deep	ImageNet	3.45	50M
VQ-VAE-2	CelebA-HQ	5.18	13M

重要子类说明

1. Wasserstein GAN改进 使用Earth-Mover距离替代JS散度： W(pr,pg​)=infγ∈Π(pr,pg​)​E(x,y)∼γ​[∣∣x−y∣∣] 需满足判别器Lipschitz约束^[14]
2. 渐进式训练策略 ProGAN采用分层训练模式，从低分辨率（4×4）开始逐步加倍分辨率至1024×1024^[15]

应用

生成对抗网络的应用范围正在大幅增加。^[16][17]

时尚和广告

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^[18]。 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^[19]。

科学

生成对抗网络可以改善天文图像^[20]，并模拟重力透镜以进行暗物质研究^[21][22][23]。

在2019年，生成对抗网络成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引​​力透镜。^[24][25]

电子游戏

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）^[26]。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

• 深度学习
• ChatGPT
• 互联网死亡论