generative-adversarial-network - 超腾开源标签

这篇文章全面梳理了25种重要的生成对抗网络模型，从2014年诞生的原始GAN到后来的数十种变体，介绍了GAN领域的演进脉络。文章按类别介绍了奠基之作（如cGAN）、结构改进（如DCGAN）、训练稳定性革命（如WGAN和WGAN-GP）、图像翻译（如CycleGAN和Pix2Pix）、文本到图像生成（如StackGAN）、图像恢复（如SRGAN）以及艺术创意模型等。核心观点是，GAN的发展史是不断解决训练不稳定、模式崩溃等问题，并逐步实现可控生成、高清输出和应用扩展的历史，每一次改进都让生成结果更接近真实。

生成对抗网络（GAN）是一种由生成器和判别器构成的深度学习模型，通过零和博弈机制相互对抗训练。生成器试图制造逼真假数据，判别器则努力区分真假，两者在对抗中共同提升。训练过程交替优化：先固定生成器训练判别器区分真假，再固定判别器训练生成器以欺骗对方，最终生成器可输出与真实数据几乎无差异的结果。GAN优势在于生成质量高、无需显式建模、灵活性强，但面临训练不稳定、模式崩溃和评估困难等挑战。广泛应用于图像生成、风格迁移、超分辨率、数据增强等领域，代表变体包括DCGAN、WGAN、CycleGAN和StyleGAN。