GANs概述：内置两个神经网络–生成器G和判断器D。生成器会产生一个假的输出，目的是为了能欺骗判断器；而判断器的目的是为了能准确地判断生成器发来的结果。

• 适用于：数据较少，但要求较高的地方

• 缺点：

  • 难训练，不稳定。生成器和判别器之间需要很好的同步，但是在实际训练中很容易D收敛，G发散。D/G 的训练需要精心的设计
  • 模式缺失（Mode Collapse）问题。GANs的学习过程可能出现模式缺失，生成器开始退化，总是生成同样的样本点，无法继续学习

• 特征：

  • 具有创造性（具有制造以假乱真的能力）
  • 类似于周伯通的左右互搏之术，无聊的时候自己玩，慢慢功力也惊人了

• 应用案例：

  |提高图片分辨率

  |照片修复(这就是我们需要用到的地方，修补缺陷再和原图量化差距)

  

  |生成假的人脸（实际上这些人不存在）

  

  |根据人脸生成对应的漫画表情（iPhone的相机有类似的应用）

  

  |图像风格迁移（让左上角的原图获得其他图片的风格，形成了新的图片）

  

  |3D自动建模– 给出多个不同角度的2D图像，就可以生成一个3D模型

  

  参考资料：

  1、生成对抗网络 – Generative Adversarial Networks | GAN

  2、Artistic Style Transfer with Convolutional Neural Network

  3、Understanding Generative Adversarial Networks (GANs)