计算机视觉中的生成对抗网络：综述与分类
机器学习
2021-01-01 v6 计算机视觉与模式识别
摘要
生成对抗网络（GANs）在过去几年中得到了广泛研究。可以说，它们最显著的影响是在计算机视觉领域，在逼真图像生成、图像到图像翻译、面部属性操控及类似领域的挑战中取得了巨大进展。尽管迄今为止取得了显著成功，将 GANs 应用于现实世界问题仍带来重大挑战，我们在此重点关注其中三个： (1) 高质量图像生成， (2) 图像生成的多样性，以及 (3) 稳定训练。聚焦于流行的 GAN 技术在这些挑战上取得的进展程度，我们对已发表科学文献中 GAN 相关研究的最先进水平进行了详细回顾。我们通过所采用的一种基于 GAN 架构与损失函数差异的便捷分类法进一步结构化了这一综述。尽管迄今已有若干关于 GANs 的综述，但尚无研究基于其朝向解决计算机视觉相关实际挑战的进展来考量该领域现状。据此，我们回顾并批判性讨论了最流行的架构变体与损失变体 GANs，以应对这些挑战。我们的目标是从重要计算机视觉应用需求的相关进展角度，提供 GAN 研究现状的概览与批判性分析。在此过程中，我们还讨论了 GANs 已展现出可观成功的计算机视觉中最引人注目的应用，并给出了一些未来研究方向建议。本工作中所研究的 GAN 变体相关代码总结于 https://github.com/sheqi/GAN_Review。
引用
@article{arxiv.1906.01529,
title = {Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy},
author = {Zhengwei Wang and Qi She and Tomas E. Ward},
journal= {arXiv preprint arXiv:1906.01529},
year = {2021}
}
备注
Accepted by ACM Computing Surveys, 23 November 2020