A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications

2023-11-22 08:28:52

1　Inttroduction

　　GANs由两个模型组成：生成器和鉴别器。生成器试图捕获真实示例的分布，以便生成新的数据样本。鉴别器通常是一个二值分类器，尽可能准确地将生成样本与真实样本区分开来。GANs的优化问题是一个极大极小优化问题。优化终止于相对于生成器的最小值和相对于鉴别器的最大值的鞍点。

2.1 Generative algorithms

　　生成算法可分为两类：显式密度模型和隐式密度模型。

2.1,1 Explicit density model

　　显式密度模型假设分布，利用真实数据训练包含分布或拟合分布参数的模型。完成后，使用所学习的模型或分布生成新的示例。

2.1.2 Implicit density model

　　隐式密度模型不能直接估计或拟合数据分布。它在没有明确假设[101]的情况下从分布中生成数据实例，并利用生成的实例修改模型。GANs属于有向隐式密度模型范畴。

3　Algorithm

3.1 Generative Adversarial Nets (GANs)

3.1.1.1 Original minimax game:

3.2 GANs’ representative variants

3.2.1 InfoGAN

从损失函数的角度来看，infoGAN的损失函数变为：

3.2.2 Conditional GANs (cGANs)

Conditional GAN 结构图：

判别网络两种形式：

ACGAN (Auxiliary Classifier GANs):

3.2.3 CycleGAN

3.3.3.6 BigGANs and StyleGAN:

StyleGAN:

码农公寓