最新《生成式对抗网络GAN》综述

Posted 2022-04-17 人工智能博士

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了最新《生成式对抗网络GAN》综述相关的知识，希望对你有一定的参考价值。

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于：专知

GAN一直是研究关注的热点，来自新泽西理工学院的学者发布了最新关于生成式对抗网络的综述论文，值得关注!

摘要

我们研究了生成对抗网络(GAN)，它的流行变体和在许多领域的应用。GAN利用零和博弈理论将两个相互对抗的神经网络结合起来，使它们能够产生更加清晰和离散的输出。GAN可用于执行图像处理、视频生成和预测，以及其他计算机视觉应用。GAN还可用于各种科学相关活动，包括蛋白质工程、天文数据处理、遥感图像去雾和晶体结构合成。GANs还在金融、营销、时尚设计、体育和音乐等领域取得了成绩。因此，在本文中，我们全面概述了GAN在各种学科中的应用。我们首先介绍支持GAN的理论、GAN变体和评估GAN的指标。然后，我们将介绍GAN及其变体如何应用于十二个领域，从STEM领域，如天文学和生物学，到商业领域，如市场营销和金融，以及艺术，如音乐。因此，其他领域的研究人员可以掌握GAN的工作原理，并将其应用到自己的研究中。就我们所知，本文对GAN在不同领域的应用进行了最全面的综述。

https://arxiv.org/abs/2110.01442

引言

生成对抗网络[48]或GAN属于生成模型[44]家族。生成模型试图从训练集中学习一个概率密度函数，然后从相同的分布中生成新的样本。GAN通过让两个神经网络(Generator和Discriminator)相互竞争，生成与真实数据相似的新合成数据。Generator试图捕获真实的数据分布，以生成新的样本。另一方面，鉴别器通常是一个二进制分类器，它试图尽可能精确地辨别真实和虚假生成的样本。

在过去的几年里，GANs取得了实质性的进展。由于硬件的进步，我们现在可以训练更深入和更复杂的Generator和Discriminator神经网络体系结构，增加模型容量。GAN与其他类型的生成模型相比有许多明显的优势。与玻尔兹曼机[62]不同，GAN不需要蒙特卡罗近似来训练，而且GAN使用反向传播，不需要马尔可夫链。近年来，GAN得到了很大的发展，并被广泛应用于各种学科，可以使用gan的领域列表也在快速扩展。GAN可用于数据生成和增强([78]，[134])、图像到图像的转换([70]，[197])、图像超分辨率([93]，[73])等等。正是这种多用途的特性，使得GAN可以应用于医学和天文学等完全不结盟的领域。

由于GANs非常受欢迎和重要，已经有一些关于GANs的调查和评论。然而，过去的大多数论文都集中在两个不同的方面: 第一，描述GAN及其随时间的增长，第二，讨论GAN在图像处理和计算机视觉应用中的应用([47]，[3]，[135]，[51]，[1])。因此，对GAN在广泛学科中的应用的描述较少。因此，我们将在这篇史无前例的文章中全面回顾GAN。我们来看看GANs和一些最广泛使用的模型和变异,以及评价指标的数量,GAN应用在不同的12个区域(包括图片和视频相关的任务,医疗和医疗、生物学、天文学、遥感、材料科学、金融、市场营销、时尚、体育和音乐), GAN的挑战和局限性，以及GAN未来的发展方向。本文的一些主要贡献如下:

描述GAN在工程、科学、社会科学、商业、艺术、音乐和体育领域的广泛应用。据我们所知，这是第一篇涵盖GAN在如此不同领域应用的综述论文。这篇综述将有助于不同背景的研究人员理解GAN的操作，并发现其广泛的应用。
GAN评估包括定性和定量方法。该综述提供了定量指标的全面展示，用于评估GAN在计算机视觉和时间序列数据分析中的性能。我们将GAN应用于时间序列数据的评估指标包括在内，这在其他GAN综述论文中没有讨论。据我们所知，这是第一份提出GAN时间序列数据评价指标的调研报告。

我们将本文的其余部分组织如下:第2节介绍GAN的基本工作，以及最常用的GAN变体及其描述。第3节总结了一些常用的GAN评估指标。第4节描述了GAN在各种领域的广泛应用。我们还在每个小节的末尾提供了一个表格，总结了应用领域和使用的相应的GAN模型。第5节讨论了GANs训练过程中遇到的一些困难和挑战。在此基础上，对GAN的未来发展方向进行了简要总结。第6节提供结束语。