文献类型：期刊文章

作　　者：梁俊杰[1] 韦舰晶[1] 蒋正锋[2]

LIANG Junjie;WEI Jianjing;JIANG Zhengfeng(School of Computer Science and Information Engineering,Hubei University,Wuhan 430062,China;School of Mathematics and Computer Science,Guangxi Normal University for Nationalities,Chongzuo,Guangxi 532200,China)

机构地区：[1]湖北大学计算机与信息工程学院,武汉430062 [2]广西民族师范学院数学与计算机科学学院,广西崇左532200

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金No.61300125~~

年　　份：2020

卷　　号：14

期　　号：1

起止页码：1-17

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、IC、JST、ZGKJHX、核心刊

摘　　要：生成对抗网络(GAN)作为一种新的无监督学习算法框架得到越来越多研究者的青睐,已然成为当下的一个研究热点。GAN受启发于博弈论中的二人零和博弈理论,其独特的对抗训练思想能生成高质量的样本,具有比传统机器学习算法更加强大的特征学习和特征表达能力。目前GAN在计算机视觉领域尤其是在样本生成领域取得显著成功,每年有大量GAN相关研究的论文产出。针对GAN这一热点模型,首先介绍了GAN的研究现状;接着介绍了GAN的理论、框架,详细分析了GAN在训练过程中存在梯度消失和模式崩溃的原因;然后讨论了一些典型的GAN的改进模型,总结了它们理论的改进之处、优点、局限性、应用场景以及实现成本,同时还将GAN与VAE、RBM模型进行比较,总结出GAN的优势和劣势;最后展示了GAN在数据生成、图像超分辨率、图像风格转换等方面的应用成果,并探讨了GAN目前面临的挑战以及未来的研究方向。

关 键 词：机器学习  无监督学习 生成对抗网络(GAN)  梯度消失  模式崩溃  

分 类 号：TP391.41]