生成对抗网络

生成对抗网络简介

生成对抗网络（Generative Adversarial Network, GAN）由 Ian Goodfellow 等人于 2014 年在论文《Generative Adversarial Nets》中提出。GAN 的创新在于使用对抗训练框架——同时训练两个网络：生成器（Generator）和判别器（Discriminator），两者通过零和博弈相互竞争、共同进化。

核心架构

• ·生成器（G）：从随机噪声中生成逼真的假样本，试图骗过判别器。
• ·判别器（D）：区分输入样本是来自真实数据分布还是生成器生成的假样本。

训练目标可形式化为 min_G max_D V(D,G) = E[log D(x)] + E[log(1-D(G(z)))]。理想情况下，两者达到纳什均衡。

重要变体

• ·DCGAN：引入卷积层使 GAN 训练更稳定
• ·Conditional GAN (cGAN)：加入条件信息控制生成内容
• ·WGAN：使用 Wasserstein 距离解决模式崩溃问题
• ·StyleGAN：NVIDIA 系列，目前最先进的图像生成 GAN
• ·CycleGAN：无需配对数据的图像翻译

应用领域

图像生成、超分辨率（SRGAN）、风格迁移、数据增强、医学图像合成、视频预测等。近年来扩散模型在生成质量上已超越 GAN，但 GAN 在推理速度和低延迟场景仍有优势。