计算机视觉中的 GAN - 生成学习简介

有关本系列所有论文和文章的完整列表，请查看我们的 Git repo。但是，如果您更喜欢一本内容精选的书，以便开始构建您自己的花式 GAN，请从“GAN 在行动”一书开始！

有关本系列所有论文和文章的完整列表，请查看我们的 Git repo。但是，如果您更喜欢一本内容精选的书，以便开始构建您自己的花式 GAN，请从“GAN 在行动”一书开始！

Git repo GAN 在行动

什么是生成学习？什么是 GAN？我们为什么要使用它？它与自动编码器有什么区别？GAN 模型的基本训练算法是什么？我们如何让它学习有意义的表示？它在哪些计算机视觉应用中有用？如何为她/他的问题设计一个？

我们将解决所有这些问题以及更多问题！在本系列评论文章中，我们将重点介绍用于计算机视觉应用的大量 GAN。具体来说，我们将慢慢建立导致生成对抗网络 (GAN) 演变的思想和原则。我们将遇到不同的任务，例如条件图像生成、3D 对象生成、视频合成。

大量 GAN 应用

让我们从回顾第一部分的内容开始吧！

一般来说，数据生成方法存在于各种各样的现代深度学习应用中，从计算机视觉到自然语言处理。此时，我们能够生成人眼几乎无法区分的生成数据。生成学习大致可分为两大类：a) 变分自编码器 (VAE) 和 b) 生成对抗网络 (GAN)。

变分自动编码器 (VAE)

为什么不只是自动编码器？

原因是这些模型产生的结果很差 不是

那么，让我们从头开始：对抗学习到底是什么？

对抗学习到底是什么

什么是对抗学习？

深度学习模型 对抗训练 添加噪音 生成项 Vanilla GAN

生成器