本文摘要：关上误解虚拟世界与现实的潘朵拉魔盒——生成式对付网络详述投稿作者：极链科技AI实验室王晓平你否曾设想过这样的场景：当你躺在电脑前，一旁享用着清香的茶饮，一旁饶有兴致地在网页上网页着一张张精彩的图片，从表情丰富的明晰人脸，到色彩艳丽的旖旎风光，还有姿态各异的动物萌宠，等等，一切都是那么的赏心悦目！然而，当你接下来忽然被告诉，所有的这一切都是由计算机分解的虚拟世界照片时，你会否大吃一惊转而不敢相信？

关上误解虚拟世界与现实的潘朵拉魔盒——生成式对付网络详述投稿作者：极链科技AI实验室王晓平你否曾设想过这样的场景：当你躺在电脑前，一旁享用着清香的茶饮，一旁饶有兴致地在网页上网页着一张张精彩的图片，从表情丰富的明晰人脸，到色彩艳丽的旖旎风光，还有姿态各异的动物萌宠，等等，一切都是那么的赏心悦目！然而，当你接下来忽然被告诉，所有的这一切都是由计算机分解的虚拟世界照片时，你会否大吃一惊转而不敢相信？却是，这些照片是如此的栩栩如生！现如今，这样的情形已仍然是梦幻，例如，thispersondoesnotexist.com就是这样的一个虚拟世界人脸分解网站，当用户转入网站后，每一次创下都可以获得网站即时分解的一张细致的“人脸”照片，然而，正如该网站名所指的涵义：在现实中，Thispersondoesnotexist！那么，这种无中生有的神秘效果到底是如何构建的呢？该网页同时在右下角也标明了：“ProducedbyaGAN(generativeadversarialnetwork)”。OK，本文的主角——生成式对付网络（GAN）月登场。2014年，加拿大蒙特利尔大学的IanJ.Goodfellow在《GenerativeAdversarialNets》一文中月明确提出了生成式对付网络，其基本思想就是基于两个模型：一个生成器和一个判断器。判断器的任务是辨别一张等价的图片是现实的还是欺诈的，而生成器的任务则是分解与现实图片相近的图片以尽量看穿判断器。

打个比方，分解模型类似于一个假币生产团伙，其任务是生产和用于假币，而判断模型则类似于金融警员，其职责是找到和公安部门假币。完整的GAN公式如下式右图，G、D分别为生成器、判断器，x为现实数据，z为噪声数据，在对值函数V展开仅次于、最小化约束下，生成器和判断器交错训练优化，在此过程中，生成器大大提高“不实”能力，以后判断器无法区分真币和假币的程度，此时GAN训练已完成。

比起于其它模型，为什么GAN日后明确提出就不会受到如此之低的注目热度？从本质上说道，GAN的确实强劲之处在于首创了一种新的对付式自学模式，大大提高了对数据分布的自学能力，甚至可在一定程度上指出它彰显了机器一种类似于想象力的能力，需要展示出诸多耀眼的分解效果，也正是因为这种强劲之处，GAN选入了《麻省理工科技评论》2018年全球十大突破性技术，而近年来引发的以其为基础的各种改良或创意研究的热潮也推展了GAN技术的很快发展。下面本文就将对GAN的发展展开详细的讲解，总体上，这一发展主要反映在以下几方面：一、图像风格切换方面一百多年前，当毕加索在春光明媚的塞纳河畔画下这幅油画时，当时他眼前的景象到底是怎样的？现实的风景否如同画作所叙述的一般典雅？要想要严肃问这个问题的确很难，因为目前我们还无法搭乘时光机器穿越时空去感同身受，但是，我们可以用于具备风格切换功能的GAN来将毕加索的油画切换为照片风格，从而近似于地去感觉当时的现实场景。

风格切换的酷炫效果使得GAN大放异彩，在这方面，典型的有pix2pix、CycleGAN、DiscoGAN、DualGAN等，其中，pix2pix解决问题了成对图像训练的风格切换问题，CycleGAN、DiscoGAN、DualGAN则从训练子集的高度，通过定义循环损失函数解决问题了非交替图像训练的风格切换问题，虽然在风格切换效果方面稍逊于pix2pix，但却节省了大量的样本打算时间，从而大大降低了将GAN投放实际应用于的门槛。成对训练图像（pix2pix）与非成对训练图像（CycleGAN）CycleGAN在风格切换的实际应用于过程中，随之也经常出现了新的问题如：无论是Pix2Pix还是CycleGAN等，都就是指一个领域到另一个领域的切换，当有多种不同领域的风格切换市场需求时，就必须对每一种领域切换都从头开始训练一个新的模型来解决问题，这在实际用于时毫无疑问将非常地困难和陈旧，鉴于此，StarGAN应运而生，其贡献是明确提出了高效的多领域切换的统一算法框架。

右图是StarGAN的效果，在同一种模型下，可以展开多种图像风格切换任务，如转变头发颜色、性别、年龄、肤色等。StarGAN二、超强分辨率图像分解方面超强分辨率是计算机视觉的一个经典领域，目的从观测到的低分辨率图像修复出有适当的高分辨率图像，它在卫星遥测图像、图像复原等诸多领域都具有最重要的应用于价值，而GAN的涉及研究也更进一步推展了这一领域技术的发展。

典型的有PG-GAN、BigGAN、pix2pixHD、SR-GAN等，例如，来自NVIDIA的PG-GAN论文，明确提出以一种趋向减小生成器和鉴别器的方式训练GAN，从最初的4x4低分辨率开始，随着训练的展开，大大加到新的层对更加细致的细节展开建模，最后超过1024x1024分辨率，构建了效果令人惊叹的分解图像。PG-GAN三、分解的可解释性方面虽然GAN的对付式自学机制带给了精彩的图像分解效果，但是刚开始人们对于GAN的分解过程缺少行之有效的介入手段，因此，研究者们在这方面展开了一系列希望，设法利用控制变量对分解过程展开监督，代表性的工作有InfoGAN、CGAN等，其中，InfoGAN明确提出将生成器的输出分解成为不能传输的噪声和具备有所不同意义的潜在控制变量，然后通过调节潜在控制变量来引领生成器分解具备有所不同方向、有所不同字体宽度的图像。

InfoGANMIT的研究者们通过对网络展开分解成，并仔细观察特定单元在转录或重开时对分解结果的影响来构建对GAN的可视化解读（如GANDISSECTION图），进而在此基础上构建了高效绘画，仅有须要精彩操作者鼠标，GAN就可以在鼠标擦过的地方绘制或读取树木、草地、门、天空、云朵、砖墙、圆屋顶等景物。GANDISSECTION四、其它方面除了上述方面，GAN和其它方面技术的融合也展现出了非常不俗的效果，例如，加州大学伯克利分校的研究人员利用姿态估算技术和GAN构建了有所不同人之间的动作迁入“doasIdo”，即使你几乎会唱歌，但利用这项技术，只需预先输出一段贤舞者姿态典雅的舞蹈视频，然后再输入你本人的随便动作视频，经过姿态估算和网络训练、视频分解后，你立马就星型身兼分解视频里翩翩起舞的意味著主角。

所以，在GAN的助力下，会唱歌？不不存在的！doasIdo其它的还有需要构建有所不同人之间声音切换的starGAN-vc，提升训练的稳定性方面如WGAN、WGAN-GP、SNGAN，隐私维护方面如宾夕法尼亚大学利用AC-GAN分解的虚拟世界临床数据展开分享以符合维护参与者隐私的市场需求，等等。GAN技术的很快发展在为我们带给诸多伤心成果的同时，其出众的图像分解能力也使我们无法对诸如“呈现出在你眼前的到底是虚拟世界OR现实？”之类的问题得出精确的答案，因此，眼见也不一定为实。一旦GAN的这种能力被别有用心者利用，将不会导致无法意识到的负面影响，例如2017年底网络上经常出现的基于GAN的换回脸视频就带来了世人混乱和愤慨。

误解虚拟世界与现实之间界线的潘朵拉魔盒早已关上，不应引领人们以教化自学、工作、生活为目的准确合理地用于这项技术，大大地让魔盒带来我们惊艳和期望！。

本文关键词：打开,混淆,虚拟,与,现实,的,潘朵拉,魔盒,关上,太阳诚

本文来源：太阳诚-www.ddaabb.cn