TL;DR对 GAN 领域中的高质量图像生成、图像生成的多样性和稳定训练等三个实际问题的研究进展进行了详细回顾和分类,同时讨论了 GAN 在计算机视觉中最成功的应用并提出了未来的研究方向。
Abstract
generative adversarial networks (GANs) have been extensively studied in the
past few years. Arguably their most significant impact has been in the area of
computer vision where great advances have been made in ch
生成对抗网络(GANs)是在多个领域中生成逼真、多样化数据的强大工具。本研究综述了 GANs 的潜在架构、验证指标和应用领域,并探讨了 GAN 与 Jensen-Shannon 散度之间的深刻联系以及 GAN 框架的最优性特征。对 GAN 变体的效率、模型架构以及训练障碍和解决方案进行了评估,并详细讨论了 GAN 与 Transformer、物理信息神经网络、大型语言模型和扩散模型等新开发的深度学习框架的整合。最后,揭示了该领域的若干问题和未来研究方向。