文献类型：期刊文章

作　　者：程显毅[1,2] 谢璐[2] 朱建新[2,3] 胡彬[2] 施佺[2]

CHENG Xian-yi;XIE Lu;ZHU Jian-xin;HU Bin;SHI Quan(Silicon Lake College,Kunshan,Jiangsu 215300,China;Nantong Research Institute for Advanced Communication Technologies(Nantong University),Nantong,Jiangsu 226019,China;School of Information Engineering,Wuhan University of Technology,Wuhan 430010,China)

机构地区：[1]硅湖职业技术学院,江苏昆山215300 [2]南通大学南通先进通信技术研究院,江苏南通226019 [3]武汉理工大学信息工程学院,武汉430010

出　　处：《计算机科学》

基　　金：国家自然科学基金项目(61771265;61340037);江苏省现代教育技术研究课题(2017-R-54131);南通大学-南通智能信息技术联合研究中心开放课题(KFKT2016B06)资助

年　　份：2019

卷　　号：46

期　　号：3

起止页码：74-81

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：人能够理解事物运动的方式,因此对事物未来发展的预测比机器准。不过,作为一种新的深度神经网络系统,GAN(Generative Adversarial Network)生成的数据非常逼真,连人也无法辨别数据是真实的还是生成的。从某种意义上讲,GAN为指导人工智能系统完成复杂任务提供了一种全新的思路,让机器成为了一个专家。首先,讨论了GAN的基本模型和一些改进的GAN模型;然后,展示了GAN在超分辨图像生成、由文本描述生成图像、艺术风格图像生成和短视频生成方面的应用成果;最后,探讨了GAN在理论、架构和应用方面所面临的问题和其未来的研究方向。

关 键 词：人工智能 深度学习  生成对抗网络  生成器 判别器  

分 类 号：TP181]