生成性对抗网络:理论模型、评估指标和最近发展的概述，Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments

题目： Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments

摘要：

统计信号处理和机器学习中最重要的挑战之一是如何获得一个生成模型，它可以生成大规模数据分布的样本，例如图像和演讲。生成式对抗网络(GAN)是解决这一问题的有效方法。GANs提供了一种适当的方法来学习深层表示，而不需要广泛使用标记的训练数据。该方法无需对概率密度函数进行精确建模就能生成大量数据，引起了计算机视觉领域众多研究者的关注。在GANs中，生成模型是通过同时训练生成器和鉴别器网络的竞争过程来估计的。生成器学习生成可信的数据，鉴别器学习将生成器生成的虚假数据与真实数据样本区分开来。鉴于近年来GANs的快速发展及其在各个领域的应用，有必要对这些网络进行准确的研究。本文在介绍GAN的主要概念和理论的基础上，对两种新的深层生成模型进行了比较，并对文献中使用的评价指标和GANs面临的挑战进行了说明。此外,最引人注目的GAN架构被分类和讨论。最后，讨论了计算机视觉的基本应用。