目录
论文结构
本文可分为四个部分:
- 相关工作,主要介绍生成模型的含义、模型实现的难点和现有技术的缺陷;
- 算法说明,介绍了算法原理,算法最优解的求解和证明;
- 实验,记录了将GAN和其他当时已有的几个模型在多个数据集上进行实验后的结果,并对其进行分析;
- 总结和展望,分析GAN模型的优缺点及其可拓展的方向。
背景介绍
深度学习领域可分为两个部分,一是检测识别,可用于图像分类,目标识别等,相关技术更为成熟,影响更为深远;二是图像生成,但由于其需要大量的先验知识对真实世界建模,且它在处理概率计算等方面存在困难,影响较小,可研究的空间更大。
而当时存在的模型如受限玻尔兹曼机制(RBM),深玻尔兹曼机制(DBM),深度置信网络(DBN)和生成式随机网络(GSN)等存在低效、计算困难等缺陷。
于是,2014年,Ian J.Goodfellow等人提出了一种通过对抗过程评估生成模型的新框架-GAN,首次发表于NIPS2014年的会议上(NIPS即神经信息处理系统大会,是一个关于机器学习和计算神经科学的国际会议,是机器学习领域的顶级会议之一)。
论文链接:https://arxiv.org/pdf/1406.2661.pdf
GAN技术具有广泛的应用场景&