生成对抗网络：艺术与机器智能的桥梁
机器学习
2025-02-11 v2 计算机视觉与模式识别
摘要
生成对抗网络 (GAN) 在过去十年中深刻影响了计算机视觉和人工智能的发展，也将艺术与机器智能联系在一起。本书从详细介绍 GAN 的基本原理和历史发展开始，比较它们与传统生成模型的区别，通过示例性 Python 示例阐明核心对抗机制。文本系统性地阐述了包括概率论、统计学和博弈论在内的数学和理论基础，为理解 GAN 训练中固有的目标、损失函数和优化挑战提供了坚实的框架。后续章节回顾了经典变体，如条件 GAN、DCGAN、InfoGAN 和 LAPGAN，随后进一步讨论了高级训练方法，如 Wasserstein GAN、带梯度惩罚的 GAN、最小二乘 GAN 和谱归一化技术。本书进一步检查生成器和判别器中的架构增强和任务特定适应，展示了在高分辨率图像生成、艺术风格迁移、视频合成、文本到图像生成等多媒体应用中的实际实现。总结章节提供了关于新兴研究趋势的见解，包括自注意力机制、基于 transformer 的生成模型以及与扩散模型的比较分析，从而勾勒了未来在学术和应用设置中发展的可期方向。
引用
@article{arxiv.2502.04116,
title = {Generative Adversarial Networks Bridging Art and Machine Intelligence},
author = {Junhao Song and Yichao Zhang and Ziqian Bi and Tianyang Wang and Keyu Chen and Ming Li and Qian Niu and Junyu Liu and Benji Peng and Sen Zhang and Ming Liu and Jiawei Xu and Xuanhe Pan and Jinlang Wang and Pohsun Feng and Yizhu Wen and Lawrence K. Q. Yan and Hong-Ming Tseng and Xinyuan Song and Jintao Ren and Silin Chen and Yunze Wang and Weiche Hsieh and Bowen Jing and Junjie Yang and Jun Zhou and Zheyu Yao and Chia Xin Liang},
journal= {arXiv preprint arXiv:2502.04116},
year = {2025}
}