生成对抗网络（GAN 综述）：挑战、解决方案与未来方向

生成对抗网络（GANs）是一类新颖的深度生成模型，近来受到显著关注。GANs 隐式地学习图像、音频和数据上复杂且高维的分布。然而，由于网络架构设计不当、目标函数的使用以及优化算法的选择，GANs 的训练存在主要挑战，即模式崩溃、不收敛和不稳定。近来，为应对这些挑战，基于重新设计的网络架构、新目标函数和替代优化算法等技术，已有若干更好的 GANs 设计与优化方案被研究。据我们所知，现有综述中尚无特别聚焦于这些方案广泛而系统化发展的工作。在本研究中，我们对为应对 GANs 挑战而提出的 GANs 设计与优化方案进展进行了全面综述。我们首先识别每种设计与优化技术中的关键研究问题，然后提出一种新的分类法按关键研究问题对方案进行结构化。依据该分类法，我们详细讨论了每种方案中提出的不同 GANs 变体及其关系。最后，基于所获见解，我们给出了这一快速增长领域中有前景的研究方向。