共计 2027 个字符，预计需要花费 6 分钟才能阅读完成。
摘要：本文主要讲述了生成对抗网络 GANs 的发展和主要应用。
在 GAN 发展的最初几年里，我们取得了令人瞩目的进展。当然，现在不会是像恐怖电影里那样有邮票大小的面部照片了。2017 年，Gan 制作了 1024×1024 张能愚弄人才童子军的照片。在未来几年，我们可能会看到 GAN 生成的高质量视频，由此衍生的商业应用程序即将来临。作为 GAN 系列的一部分，我们研究了一些很酷的应用程序，希望它们能作你的 GAN 应用程序的灵感来源。
创建动画角色
众所周知，游戏开发和动画制作成本很高，并且雇佣了许多制作艺术家来完成相对常规的任务。但通过 GAN 就可以自动生成动画角色并为其上色。
发生器和鉴别器由多层卷积层、批标准化和具有跳过链接的 relu 组成。
姿势引导人形像生成
通过姿势的附加输入，我们可以将图像转换为不同的姿势。例如，右上角图像是基础姿势，右下角是生成的图像。
下面的优化结果列是生成的图像。
该设计由二级图像发生器和鉴频器组成。生成器使用元数据（姿势）和原始图像重建图像。鉴别器使用原始图像作为 CGAN 设计标签输入的一部分。
CycleGAN
跨域名转让将很可能成为第一批商业应用。GANs 将图像从一个领域（如真实的风景）转换为另一个领域（莫奈绘画或梵高）。
例如，它可以在斑马和马之间转换图片。
Cyclegan 构建了两个网络 G 和 F 来构建从一个域到另一个域以及反向的图像。它使用鉴别器 d 来批评生成的图像有多好。例如，G 将真实图像转换为梵高风格的绘画，并且 DY 用于区分图像是真实的还是生成的。
域 A 到域 B：
我们在反向域 B 域 A 中重复该过程：
PixelDTGAN
根据名人图片推荐商品已经成为时尚博客和电子商务的热门话题。Pixeldtgan 的作用就是从图像中创建服装图像和样式。
超分辨率
从低分辨率创建超分辨率图像。这是 GAN 显示出非常令人印象深刻的结果，也是具有直接商业可能性的一个领域。
与许多 GAN 的设计类似，它是由多层卷积层、批标准化、高级 relu 和跳过连接组成。
GAN 的逐步发展
Progressive GAN 可能是第一个展示商业化图像质量的 GAN 之一。以下是由 GAN 创建的 1024×1024 名人形象。
它采用分而治之的策略，使训练更加可行。卷积层的一次又一次训练构建出 2 倍分辨率的图像。
在 9 个阶段中，生成 1024×1024 图像。
高分辨率图像合成
需要注意的是这并非图像分割，而是从语义图上生成图像。由于采集样本非常昂贵，我们采用生成的数据来补充培训数据集，以降低开发成本。在训练自动驾驶汽车时可以自动生成视频，而不是看到它们在附近巡航，这就为我们的生活带来了便捷。
网络设计:
文本到图像（StackGAN）
文本到图像是域转移 GAN 的早期应用之一。比如，我们输入一个句子就可以生成多个符合描述的图像。
文本到图像合成
另一个比较通用的实现：
人脸合成
不同姿态下的合成面：使用单个输入图像，我们可以在不同的视角下创建面。例如，我们可以使用它来转换更容易进行人脸识别图像。
图像修复
几十年前，修复图像一直是一个重要的课题。gan 就可以用于修复图像并用创建的“内容”填充缺失的部分。
学习联合分配
用面部字符 P（金发，女性，微笑，戴眼镜），P（棕色，男性，微笑，没有眼镜）等不同组合创建 GAN 是很不现实的。维数的诅咒使得 GAN 的数量呈指数增长。但我们可以学习单个数据分布并将它们组合以形成不同的分布，即不同的属性组合。
DiscoGAN
DiscoGAN 提供了匹配的风格：许多潜在的应用程序。DiscoGAN 在没有标签或配对的情况下学习跨域关系。例如，它成功地将样式（或图案）从一个域（手提包）传输到另一个域（鞋子）。
DiscoGAN 和 cyclegan 在网络设计中非常相似。
Pix2Pix
PIX2PIx 是一种图像到图像的翻译，在跨域 Gan 的论文中经常被引用。例如，它可以将卫星图像转换为地图（图片左下角）。
DTN
从图片中创建表情符号。
纹理合成
图像编辑 (IcGAN)
重建或编辑具有特定属性的图像。
人脸老化 (Age-cGAN)
神经照片编辑器
基于内容的图像编辑：例如，扩展发带。
细化图像
目标检测
这是用 gan 增强现有解决方案的一个应用程序。
图像融合
将图像混合在一起。
视频生成
创建新的视频序列。它识别出什么是背景，并为前台操作创建新的时间序列。
视频链接
生成三维对象
这是用 gan 创建三维对象时经常引用的一篇文章。
音乐的产生
GaN 可以应用于非图像领域，如作曲。
医疗（异常检测）
GAN 还可以扩展到其他行业，例如医学中的肿瘤检测。
进一步阅读
本文展示了一些 GAN 的相关应用程序。如果你感兴趣想进一步研究 GAN 可以继续阅读以下文章：
第一部分：重点介绍如何应用 gans 解决深层次学习问题，以及为什么培训 gans 如此困难。GAN- 关于 GAN 的综合考察（上）
第二部分：GAN 培训问题解决概述。GAN- 关于 GAN 的综合考察（下）
本系列中的所有文章：GaN-GaN 系列（从头到尾）
本文作者：【方向】阅读原文
本文为云栖社区原创内容，未经允许不得转载。
