生成式对抗网络研究进展

被引：179

作者：

王万良

李卓蓉

机构：

[1] 浙江工业大学计算机科学与技术学院

来源：

通信学报 | 2018年 / 02期

关键词：

深度学习; 生成式对抗网络; 卷积神经网络; 自动编码器; 对抗训练;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

摘要：

生成式对抗网络(GAN,generative adversarial network)对生成式模型的发展具有深远意义,自提出后立刻受到人工智能学术界和工业界的广泛研究与高度关注,随着深度学习的技术发展,生成式对抗模型在理论和应用上得到不断推进。首先,阐述生成对抗模型的研究背景与意义,然后,详细论述生成式对抗网络在建模、架构、训练和性能评估方面的研究进展及其具体应用现状,最后,进行分析与总结,指出生成式对抗网络研究中亟待解决的问题以及未来的研究方向。

引用

页码：135 / 148

页数：14

共 11 条

[1]

生成式对抗网络GAN的研究进展与展望 [J].

王坤峰 ;

苟超 ;

段艳杰 ;

林懿伦 ;

郑心湖 ;

王飞跃 .

自动化学报, 2017, 43 (03) :321-332

[2]

基于深度学习的域名查询行为向量空间嵌入 [J].

周昌令 ;

栾兴龙 ;

肖建国 .

通信学报, 2016, 37 (03) :165-174

[3]

A Fast Learning Algorithm for Deep Belief Nets[J] Geoffrey E. Hinton;Simon Osindero;Yee-Whye Teh Neural Computation 2006,

[4]

人工智能及其应用[M] 王万良高等教育出版社 2015,

[5]

Neural photo editing with introspective adversarial networks BROCK A;LIM T;RITCHIE JM;et al; 2016,

[6]

Alice:towards understanding adversarial learning for joint distribution matching LI C;LIU H;CHEN C;et al; Advances in Neural Information Processing Systems 2017,

[7]

StackGAN:Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks Zhang H;Xu T;Li H;et al; 2016,

[8]

Context Encoders:Feature Learning by Inpainting Pathak;D;Krahenbuhl;P;Donahue;J;Darrell;T;Efros;A.A; 2016 IEEE Conference on Computer Vision and Pattern Rec-ognition(CVPR) 2016,

[9]

Loss-sensitive generative adversarial networks on Lipschitz densities Qi G J; 2017,

[10]

Network in network Lin M;Chen Q;Yan S; 2013,

← 1 2 →