生成对抗网络是由Ian Goodfellow等人在论文《Generative Adversarial Networks》中提出的，论文的地址是：arxiv.org/abs/1406.2661。学术界公开接受了GAN，业界也欢迎GAN。GAN的崛起是不可避免的。
首先，GAN是无人监督的。GAN不需要标记数据，这使得GAN功能很强大，因为不需要进行枯燥的数据标签工作。
其次，GAN的潜在用例有很多。他们可以生成高质量的图像，可以增强照片，可以从文本生成图像，可以将图像从一个领域转换为另一个领域，
DCGAN是由Alec Radford，Luke Metz，Soumith Chintala撰写的题为“Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks”一文中提出的。
这是GAN研究的一个重要里程碑，因为它引入了主要的架构变化来解决训练不稳定，模式崩溃和内部协变量转换等问题。此后，在DCGAN体系结构的基础上引入了大量的GAN体系结构。
https://baijiahao.baidu.com/s?id=1629264479789883421&wfr=spider&for=pc
对抗生成网络参考
image.png
image.png
image.png
image.png
image.png
image.png
image.png
网友评论