本文深入介绍了图像生成技术，包括其背景、意义、应用和关键技术。图像生成在数据增广、图像编辑、图像恢复等多个领域有广泛应用。重点探讨了图像到图像转换、文本到图像生成、图像超分辨率、风格迁移和交互式图像生成等应用场景，以及生成对抗网络（GAN）和变分自编码器（VAE）等关键合成技术。图像生成技术的不断发展为计算机视觉领域带来了巨大潜力和广泛的实际应用价值。
最近看了一些图像生成的论文和博客，觉得要总结一下。本文主要介绍图像生成技术，包括研究背景、研究意义、相关应用、以及所用到的技术。
目录
一、背景与意义
通常深度学习（监督学习）需要依靠大量数据来训练网络，数据量越多，训练出来的网络具有更好的泛化性能。然而，收集数据需要耗费人力和财力，这使得研究人员只能针对各别相对重要的任务收集足量的数据。因此，大部分视觉任务的训练数据目前依旧处于缺失或不足的状态。这使得该任务的深度学习网络不具备足够的泛化能力，无法很好地应用落地。
大多数视觉任务具有相同的特点：
订阅专栏 解锁全文
630
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
