生成对抗网络（Generative Adversarial Nets 简写GAN）是最近几年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。它由2个重要的部分构成：
-
生成器(Generator)：通过机器生成数据（大部分情况下是图像），目的是“骗过”判别器；
-
判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”；
下面几幅图简单的介绍了这部分：
GAN 的应用场景
下面的应用场景来自
https://machinelearningmastery.com/impressive-applications-of-generative-adversarial-networks/
1、生成图像数据集案例
2014年，Ian Goodfellow等人发表论文《对抗式生成网络》，提出了生成新案例这一应用。文中指出，GAN可为MNIST手写数码数据集、CIFAR-10小件图片数据集、多伦多人像数据集生成新案例。
论文：https://arxiv.org/abs/1406.2661
2015年，Alec Radford等人在一篇重要论文《使用深度回旋生成对抗网络进行无监督表示学习》，也表达了类似观点。论文指出，深度回旋生成对抗网络展示了大规模培养稳定GAN的方法。论文展示了生成卧室新案例的模型。
论文：https://arxiv.org/abs/1511.06434
同时，论文展示了GAN（在潜在空间中）运行向量运算的能力，如下图：
2、生成人脸照片
Tero Karras等人在2017年发表的论文《GAN质量、稳定性及变化性的提高》展示了生成人脸照片的案例，照片十分逼真。因此，论文引起了媒体的广泛关注。生成照片时以名人的脸作为输入，导致生成的案例具有名人的脸部特征，让人感觉很熟悉，却并不认识。
论文：https://arxiv.org/abs/1710.10196
该方法同样用于生成物品和场景案例。
2018年发表的报告《人工智能的恶意使用：预测、预防及抑制》选用的也是以上案例，显示了2014至2017年GAN的快速发展。
论文：https://arxiv.org/abs/1802.07228
3、生成现实照片
Andrew Brock等人在2018年发表了题为《用于高保真自然图像合成的GAN规模化训练》的论文。论文展现了用BigGAN技术生成合成照片的案例。案例照片几乎与真实照片无异。
论文：https://arxiv.org/abs/1809.11096
4、生成动画角色
金杨华（音译）等人于2017年发表了题为《用GAN生成动画角色》的论文。论文展示了如何训练及应用GAN来生成动画头像（如日本动漫人物）。
论文：https://arxiv.org/abs/1708.05509
5、图像转换
GAN在这方面几乎无所不能，因为相关论文显示GAN可以执行许多图像转换任务。
Phillip Isola等人于2016年发表题为《使用GAN技术进行图像转换》的论文。论文特别介绍了如何使用GAN的pix2pix技术进行图像转换。
论文：https://arxiv.org/abs/1611.07004
以下是一些图像转换案例：
- 将语义图像转化成城市和建筑景观图片
- 将卫星图像转化成谷歌地图
- 将白天景观转化成夜晚景观
- 将黑白图片转化成彩色图片
- 将素描转化成彩色图片
使用pix2pix技术进行图片日夜转换的案例。图片来自《使用GAN技术进行图像转换》。
朱俊彦等人于2017年发表题为《使用一致循环生成网络进行非配对图像转换》的论文。论文介绍了著名的CycleGAN技术以及大量图片转化的案例。
论文：https://arxiv.org/abs/1703.10593
以下是一些图像转换案例：
- 将图片转化成艺术绘画风格
- 将马的图片转化成斑马图
- 将夏景转化成冬景
- 将卫星图转化成谷歌地图
6、文字-图片转化
Han Zhang等人于2016年发表题为《StackGAN：使用堆叠GAN技术进行文字-图片转化及合成》的论文。论文特别介绍了如何运用StackGAN将对于简单物体（如花鸟）的文字描述转化为现实图片。
论文：https://arxiv.org/abs/1612.03242
Scott Reed等人于2016年发表了题为《使用GAN技术合成图像》的论文。论文介绍了把对花、鸟等物体的文本描述转化为图像的案例。
论文：https://arxiv.org/abs/1605.05396
Ayushmen Dash等人于2017年发表了题为《TAC-GAN——受文本限制的辅助分类器GAN》的论文。文中介绍了几近相同的数据集案例。
论文：https://arxiv.org/abs/1703.06412
Scott Reed等人于2016年发表了题为《学习绘画内容和地点》的论文。论文对GAN的此功能作了进一步介绍，并运用GAN完成文图转化，以及运用包围盒和关键点推测描绘物体（如一只鸟）的位置。
论文：https://arxiv.org/abs/1610.02454
7、语义图像-图片转化
Ting-Chun Wang等人于2017年发表了题为《使用条件性GAN进行高清图片合成及语义操纵》的论文。文中介绍了使用条件性GAN根据语义图像或素描生成现实图片的方法。
论文：https://arxiv.org/abs/1711.11585
具体案例如下：
- 根据语义图像合成城市景观图片
- 根据语义图像合成卧室图片
- 根据语义图像合成人脸图片
- 根据素描合成人脸图片
论文同时介绍了一种可操纵所生成图片的互动编辑器。
8、生成正面人像图片
Rui Huang等人于2017年发表了题为《人脸转正：全球及地方GAN感知合成拟真正面人像图片》的论文。文中介绍了使用GAN根据特定角度的人脸生成正面人像图片（如脸朝前）的方法。此类技术可应用于人脸验证或辨认系统。
9、生成新体态
Liqian Ma等人于2017年发表了题为《人体体态图像生成》的论文。文中介绍了生成人体模型新体态的案例。
论文：https://arxiv.org/abs/1705.09368
10、图片转表情
Yaniv Taigman等人于2016年发表了《无监督跨领域图像生成》一文介绍了使用GAN跨领域转化图像的方法。比如，将街区数字转化为MNIST手写数码，或将名人照片转化为emoji或动画表情。
论文：https://arxiv.org/abs/1611.02200
11、图像编辑
Guim Perarnau等人于2016年发表了题为《使用可逆条件性GAN编辑图片》的论文。文中特别介绍了使用GAN的IcGAN技术根据特定的面部特征如发色、发型、表情甚至性别变化来重建人像图片的方法。
论文：https://arxiv.org/abs/1611.06355
这简直是美图秀秀中的各种滤镜的升级版，给出一张原始的妹子图片，可以生成出金发版，卷发版，微笑版，还能ps出你的双胞胎兄弟长什么样。
Ming-Yu Liu等人于2016年发表了题为《耦合性GAN》的论文。文中同样介绍了如何利用发色、表情和眼镜等特征生成面部图片。论文同时也展示了其他图像的生成，如有颜色和深度变化的场景图片。
论文：https://arxiv.org/abs/1606.07536
Andrew Brock等人于2016年发表了题为《使用IAN进行神经图片编辑》的论文。文中介绍了一种运用多种变化性自动编码器及GAN的面部照片编辑器。此种编辑器可以快速对人脸特征进行修改，包括修改发色、发型、表情、体态，以及增补面部胡须。
论文：https://arxiv.org/abs/1609.07093
He Zhang等人于2017年发表了题为《使用条件性GAN消除图片中的雨》的论文。文中介绍了如何使用GAN编辑图片，比如消除图片中的雨雪。
论文：https://arxiv.org/abs/1701.05957
12、面部老化
Grigory Antipov等人于2017年发表了题为《使用条件性GAN进行面部老化处理》的论文。文中介绍了使用GAN生成不同年龄段人脸图片的方法。
论文：https://ieeexplore.ieee.org/document/8296650
Zhifei Zhang等人于2017年发表了题为《使用条件性对抗自动编码器增龄/减龄》的论文。文中介绍了使用GAN对面部图片进行减龄处理的方法。
论文：https://arxiv.org/abs/1702.08423
13、图片混合
Huikai Wu等人于2017年发表了题为《GP-GAN：关于现实高保真照片的混合》的论文。文中展示了GAN在混合照片，尤其是混合田野、大山及其大型物体照片中的应用。
论文：https://arxiv.org/abs/1703.07195
14、超分辨率
Christian Ledig等人于2016年发表了题为《使用GAN生成单幅高分辨率图像》的论文。文中特别展示了GAN的SRGAN模型在生成具有超高分辨率图像中的应用。
论文：https://arxiv.org/abs/1609.04802
Huang Bin等人于2017年发表了题为《使用条件性GAN生成具有高质量、超高分辨率的面部图像》的论文。文中特别展示了GAN在构建不同版本人脸图像中的应用。
论文：https://arxiv.org/abs/1707.00737
Subeesh Vasu等人于2018年发表了题为《使用强化超高分辨率感知网络分析扭曲认知的折中参数》的论文。文中展示了一个使用GAN构建街景高分辨率图片的案例。
论文：https://arxiv.org/abs/1811.00344
15、图片修复
Deepak Pathak等人于2016年发表了题为《文本编码器：通过图片修复学习特征》的论文。论文特别介绍了如何使用GAN的文本编码器进行图片修复或填充空缺，即填补图片中某块缺失的部分。
论文：https://arxiv.org/abs/1604.07379
Raymond A. Ye等人于2016年发表了题为《使用深度生成模型修复语义图像》的论文。文中介绍了如何用GAN对故意损坏的人脸图像进行填充和修复。
论文：https://arxiv.org/abs/1607.07539
Yijun Li等人于2017年发表了题为《人脸图像生成性填充》的论文。文中同样介绍了如何使用GAN对损坏的人脸图像进行修复和重建。
论文：https://arxiv.org/abs/1704.05838
16、服装转化
Donggeun Yoo等人于2016年发表了题为《像素级领域转化》的论文。论文展示了如何根据身着服装的模特照片，运用GAN生成类似服装图集或线上服装店的服装图片。
论文：https://arxiv.org/abs/1603.07442
17、视频预测
Carl Vondrick等人于2016年发表了题为《生成场景动态视频》的论文。文中介绍了如何使用GAN进行视频预测，尤其是连续预测最长可至一秒的视频帧，聚焦于场景中的静态因素。
论文：https://arxiv.org/abs/1609.02612
18、3D打印
吴佳俊等人于2016年发表了题为《通过3D生成对抗模型学习物体形状的可能潜在空间》的论文。论文展示了如何使用GAN生成物体的3D模型，比如桌椅、汽车和沙发。
论文：https://arxiv.org/abs/1610.07584
Matheus Gadelha等人于2016年发表了题为《由2D物体视图推导3D形状》的论文。文中介绍了如何使用GAN根据多种视角的2D物体图像生成3D模型。
论文：https://arxiv.org/abs/1612.05872
总结
GAN是使用两个神经网络模型训练而成的一种生成模型。其中一个称为“生成器”或“生成网络”模型，可学习生成新的可用案例。另一个称为“判别器”或“判别网络”，可学习判别生成的案例与实际案例。
两种模型（从博弈论的意义上来说）处于一种竞争状态，生成器企图愚弄判别器，而判别器则要同时处理生成案例和实际案例。
通过这种竞争关系，实现了无监督学习，大量的训练后，能生成出非常逼真的照片，图像甚至视频。
