fbpx
维基百科

生成对抗网络

二月 01, 2023

生成对抗网络（英語：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，透過两个神经網路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] 生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。[2][1][3]

由GAN deepfake生成的人脸

生成對抗網絡常用於生成以假亂真的圖片。[4]此外，該方法還被用於生成影片[5]、三維物體模型[6]等。

生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對半監督學習（英语：Semi-supervised_learning）[4]、完全監督學習[7] 、強化學習[8]也有效。 在2016年的一個研討會上，杨立昆称生成式對抗網絡为「機器學習這二十年來最酷的想法」[9]。

應用

生成對抗網路的應用範圍正在大幅增加，比如ChatGPT等。[10] [11]

時尚和廣告

生成對抗網路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開銷[12]。 生成對抗網路可用于时尚广告活动，创建來自不同群體的模特兒，这可能会增加這些群體的人的购买意图[13]。

科學

生成對抗網路可以改善天文图像[14]，并模拟重力透镜以进行暗物质研究[15][16][17]。

在2019年，生成對抗網路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。[18][19]

電子遊戲

在2018年，生成對抗網路进入了電子游戏改造社区。對舊的電子游戏透過图像训练，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樣以适应游戏的原始分辨率（结果类似于抗锯齿的超级取樣方法）[20]。通过适当的训练，生成對抗網路提供更清晰、高于原始的2D纹理图像品質，同时完全保留原始的细节、颜色。

参见

参考文献

  1. ^ 1.0 1.1 Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua. Generative Adversarial Networks. 2014. arXiv:1406.2661   [stat.ML]. 
  2. ^ . [2018-04-15]. （原始内容存档于2018-04-15）. 
  3. ^ Andrej Karpathy, Pieter Abbeel, Greg Brockman, Peter Chen, Vicki Cheung, Rocky Duan, Ian Goodfellow, Durk Kingma, Jonathan Ho, Rein Houthooft, Tim Salimans, John Schulman, Ilya Sutskever, And Wojciech Zaremba, Generative Models, OpenAI, [April 7, 2016], （原始内容于2021-04-22） 
  4. ^ 4.0 4.1 Salimans, Tim; Goodfellow, Ian; Zaremba, Wojciech; Cheung, Vicki; Radford, Alec; Chen, Xi. Improved Techniques for Training GANs. 2016. arXiv:1606.03498   [cs.LG]. 
  5. ^ . [2017-03-17]. （原始内容存档于2017-03-20）. 
  6. ^ 3D Generative Adversarial Network. [2017-03-17]. （原始内容于2019-10-27）. 
  7. ^ Isola, Phillip; Zhu, Jun-Yan; Zhou, Tinghui; Efros, Alexei. Image-to-Image Translation with Conditional Adversarial Nets. Computer Vision and Pattern Recognition. 2017 [2019-06-18]. （原始内容于2020-04-14）. 
  8. ^ Ho, Jonathon; Ermon, Stefano. Generative Adversarial Imitation Learning. Advances in Neural Information Processing Systems. [2019-06-18]. （原始内容于2019-10-19）. 
  9. ^ LeCun, Yann. RL Seminar: The Next Frontier in AI: Unsupervised Learning. [2019-06-18]. （原始内容于2020-04-30）. 
  10. ^ Caesar, Holger, A list of papers on Generative Adversarial (Neural) Networks: nightrome/really-awesome-gan, 2019-03-01 [2019-03-02], （原始内容于2020-04-30） 
  11. ^ 生成式AI：缘起、机遇和挑战, 经济观察报, 2023-01-09. 
  12. ^ Wong, Ceecee. The Rise of AI Supermodels. CDO Trends. [2019-06-18]. （原始内容于2020-04-16）. 
  13. ^ Dietmar, Julia. GANs and Deepfakes Could Revolutionize The Fashion Industry. Forbes. [2019-06-18]. （原始内容于2019-09-04）. 
  14. ^ Schawinski, Kevin; Zhang, Ce; Zhang, Hantian; Fowler, Lucas; Santhanam, Gokula Krishnan. Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit. Monthly Notices of the Royal Astronomical Society: Letters. 2017-02-01, 467 (1): L110–L114. Bibcode:2017MNRAS.467L.110S. arXiv:1702.00403  . doi:10.1093/mnrasl/slx008. 
  15. ^ Kincade, Kathy. Researchers Train a Neural Network to Study Dark Matter. R&D Magazine. [2019-06-18]. （原始内容于2019-05-15）. 
  16. ^ Kincade, Kathy. CosmoGAN: Training a neural network to study dark matter. Phys.org. May 16, 2019 [2019-06-18]. （原始内容于2020-04-14）. 
  17. ^ Training a neural network to study dark matter. Science Daily. May 16, 2019 [2019-06-18]. （原始内容于2020-04-30）. 
  18. ^ at 06:13, Katyanna Quach 20 May 2019. Cosmoboffins use neural networks to build dark matter maps the easy way. www.theregister.co.uk. [2019-05-20]. （原始内容于2020-04-23） （英语）. 
  19. ^ Mustafa, Mustafa; Bard, Deborah; Bhimji, Wahid; Lukić, Zarija; Al-Rfou, Rami; Kratochvil, Jan M. CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks. Computational Astrophysics and Cosmology. 2019-05-06, 6 (1): 1. ISSN 2197-7909. doi:10.1186/s40668-019-0029-9. 
  20. ^ Tang, Xiaoou; Qiao, Yu; Loy, Chen Change; Dong, Chao; Liu, Yihao; Gu, Jinjin; Wu, Shixiang; Yu, Ke; Wang, Xintao. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks. 2018-09-01 [2019-06-18]. （原始内容于2019-04-13） （英语）. 

二月 01, 2023
生成对抗网络, 英語, generative, adversarial, network, 简称gan, 是非监督式学习的一种方法, 透過两个神经網路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, 生成對抗網絡由一個生成網絡與一個判別網絡組成, 生成網絡從潛在空間, latent, space, 中隨機取樣作為輸入, 其輸出結果需要盡量模仿訓練集中的真實樣本, 判別網絡的輸入則為真實樣本或生成網絡的輸出, 其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來, 而生成網絡則要盡可能地欺騙判別. 生成对抗网络 英語 Generative Adversarial Network 简称GAN 是非监督式学习的一种方法 透過两个神经網路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 生成對抗網絡由一個生成網絡與一個判別網絡組成 生成網絡從潛在空間 latent space 中隨機取樣作為輸入 其輸出結果需要盡量模仿訓練集中的真實樣本 判別網絡的輸入則為真實樣本或生成網絡的輸出 其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來 而生成網絡則要盡可能地欺騙判別網絡 兩個網絡相互對抗 不斷調整參數 最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實 2 1 3 由GAN deepfake生成的人脸 生成對抗網絡常用於生成以假亂真的圖片 4 此外 該方法還被用於生成影片 5 三維物體模型 6 等 生成對抗網絡虽然最开始提出是為了無監督學習 但经證明對半監督學習 英语 Semi supervised learning 4 完全監督學習 7 強化學習 8 也有效 在2016年的一個研討會上 杨立昆称生成式對抗網絡为 機器學習這二十年來最酷的想法 9 目录 1 應用 1 1 時尚和廣告 1 2 科學 1 3 電子遊戲 2 参见 3 参考文献應用 编辑生成對抗網路的應用範圍正在大幅增加 比如ChatGPT等 10 11 時尚和廣告 编辑 生成對抗網路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開銷 12 生成對抗網路可用于时尚广告活动 创建來自不同群體的模特兒 这可能会增加這些群體的人的购买意图 13 科學 编辑 生成對抗網路可以改善天文图像 14 并模拟重力透镜以进行暗物质研究 15 16 17 在2019年 生成對抗網路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 18 19 電子遊戲 编辑 在2018年 生成對抗網路进入了電子游戏改造社区 對舊的電子游戏透過图像训练 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樣以适应游戏的原始分辨率 结果类似于抗锯齿的超级取樣方法 20 通过适当的训练 生成對抗網路提供更清晰 高于原始的2D纹理图像品質 同时完全保留原始的细节 颜色 参见 编辑深度学习 ChatGPT参考文献 编辑 1 0 1 1 Goodfellow Ian J Pouget Abadie Jean Mirza Mehdi Xu Bing Warde Farley David Ozair Sherjil Courville Aaron Bengio Yoshua Generative Adversarial Networks 2014 arXiv 1406 2661 stat ML 能根據文字生成圖片的 GAN 深度學習領域的又一新星 2018 04 15 原始内容存档于2018 04 15 Andrej Karpathy Pieter Abbeel Greg Brockman Peter Chen Vicki Cheung Rocky Duan Ian Goodfellow Durk Kingma Jonathan Ho Rein Houthooft Tim Salimans John Schulman Ilya Sutskever And Wojciech Zaremba Generative Models OpenAI April 7 2016 原始内容存档于2021 04 22 4 0 4 1 Salimans Tim Goodfellow Ian Zaremba Wojciech Cheung Vicki Radford Alec Chen Xi Improved Techniques for Training GANs 2016 arXiv 1606 03498 cs LG 存档副本 2017 03 17 原始内容存档于2017 03 20 3D Generative Adversarial Network 2017 03 17 原始内容存档于2019 10 27 Isola Phillip Zhu Jun Yan Zhou Tinghui Efros Alexei Image to Image Translation with Conditional Adversarial Nets Computer Vision and Pattern Recognition 2017 2019 06 18 原始内容存档于2020 04 14 Ho Jonathon Ermon Stefano Generative Adversarial Imitation Learning Advances in Neural Information Processing Systems 2019 06 18 原始内容存档于2019 10 19 LeCun Yann RL Seminar The Next Frontier in AI Unsupervised Learning 2019 06 18 原始内容存档于2020 04 30 Caesar Holger A list of papers on Generative Adversarial Neural Networks nightrome really awesome gan 2019 03 01 2019 03 02 原始内容存档于2020 04 30 生成式AI 缘起 机遇和挑战 经济观察报 2023 01 09 Wong Ceecee The Rise of AI Supermodels CDO Trends 2019 06 18 原始内容存档于2020 04 16 Dietmar Julia GANs and Deepfakes Could Revolutionize The Fashion Industry Forbes 2019 06 18 原始内容存档于2019 09 04 Schawinski Kevin Zhang Ce Zhang Hantian Fowler Lucas Santhanam Gokula Krishnan Generative Adversarial Networks recover features in astrophysical images of galaxies beyond the deconvolution limit Monthly Notices of the Royal Astronomical Society Letters 2017 02 01 467 1 L110 L114 Bibcode 2017MNRAS 467L 110S arXiv 1702 00403 doi 10 1093 mnrasl slx008 Kincade Kathy Researchers Train a Neural Network to Study Dark Matter R amp D Magazine 2019 06 18 原始内容存档于2019 05 15 Kincade Kathy CosmoGAN Training a neural network to study dark matter Phys org May 16 2019 2019 06 18 原始内容存档于2020 04 14 Training a neural network to study dark matter Science Daily May 16 2019 2019 06 18 原始内容存档于2020 04 30 at 06 13 Katyanna Quach 20 May 2019 Cosmoboffins use neural networks to build dark matter maps the easy way www theregister co uk 2019 05 20 原始内容存档于2020 04 23 英语 Mustafa Mustafa Bard Deborah Bhimji Wahid Lukic Zarija Al Rfou Rami Kratochvil Jan M CosmoGAN creating high fidelity weak lensing convergence maps using Generative Adversarial Networks Computational Astrophysics and Cosmology 2019 05 06 6 1 1 ISSN 2197 7909 doi 10 1186 s40668 019 0029 9 Tang Xiaoou Qiao Yu Loy Chen Change Dong Chao Liu Yihao Gu Jinjin Wu Shixiang Yu Ke Wang Xintao ESRGAN Enhanced Super Resolution Generative Adversarial Networks 2018 09 01 2019 06 18 原始内容存档于2019 04 13 英语 取自 https zh wikipedia org w index php title 生成对抗网络 amp oldid 75769249, 维基百科，wiki，书籍，书籍，图书馆，

文章

，阅读，下载，免费，免费下载，mp3，视频，mp4，3gp， jpg，jpeg，gif，png，图片，音乐，歌曲，电影，书籍，游戏，游戏。