生成对抗网络GAN综述*

• 作者: 梁俊杰 蒋正锋 韦舰晶
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 机器学习 无监督学习 生成对抗网络(GAN) 梯度消失 模式崩溃
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 综述·探索
• 页码范围: 1-17
• 页数: 17页
• 分类号: TP391.41
• 字数: 10710字
• 语种: 中文

摘要

生成对抗网络(GAN)作为一种新的无监督学习算法框架得到越来越多研究者的青睐,已然成为当下的一个研究热点.GAN受启发于博弈论中的二人零和博弈理论,其独特的对抗训练思想能生成高质量的样本,具有比传统机器学习算法更加强大的特征学习和特征表达能力.目前GAN在计算机视觉领域尤其是在样本生成领域取得显著成功,每年有大量GAN相关研究的论文产出.针对GAN这一热点模型,首先介绍了GAN的研究现状;接着介绍了GAN的理论、框架,详细分析了GAN在训练过程中存在梯度消失和模式崩溃的原因;然后讨论了一些典型的GAN的改进模型,总结了它们理论的改进之处、优点、局限性、应用场景以及实现成本,同时还将GAN与VAE、RBM模型进行比较,总结出GAN的优势和劣势;最后展示了GAN在数据生成、图像超分辨率、图像风格转换等方面的应用成果,并探讨了GAN目前面临的挑战以及未来的研究方向.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁俊杰	湖北大学计算机与信息工程学院	25	129	7.0	9.0
2	蒋正锋	广西民族师范学院数学与计算机科学学院	11	9	2.0	2.0
3	韦舰晶	湖北大学计算机与信息工程学院	1	4	1.0	1.0