新更：


Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy 已被《ACM Computing Surveys》接收。由于GAN的更新极快，相较于之前的版本，新版做了更及时详细的总结和报道。

ACM Reference format: Zhengwei Wang, Qi She, and Tomás E. Ward. 2021. Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy. ACM Comput. Surv. 54, 2, Article 37 (February 2021), 38 pages. 

 

 

======= 旧版原文如下 =======

0 前言

  • 前几天，一位英特尔的小伙伴给公众号发了他们最近更新的GAN综述论文，已经挂在arxiv上，总结得非常不错，今天强推一波！也欢迎各位读者进GAN交流群，与大家一起交流讨论哦！（文末扫码加入）

  • Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy

  • https://arxiv.org/pdf/1906.01529.pdf

  • 作者：

    Zhengwei Wang is with V-SENSE, School of Computer Science and Statistics, Trinity College Dublin, Dublin, Ireland. e-mail: villa.wang.zhengwei@gmail.com

    Qi She is with Intel Labs, Beijing, China. e-mail: qi.she@intel.com

    Tom´as E. Ward is with Insight Centre for Data Analytics, Dublin City University, Dublin, Ireland. e-mail: tomas.ward@dcu.ie

  • 本文不做详细解读，具体内容可参考原文。

1 概要

ACM顶刊接收 | GAN的综述_人工智能

  • 过去几年，生成对抗网络（GAN）得到了广泛的研究；其最重要而明显的影响是在计算机视觉领域，如合理自然的图像生成，图像到图像的转换，人脸属性编辑等等。

  • 将GAN应用于实际问题，仍存在挑战，在此本文重点关注其中三个：（1）高质量的图像生成；（2）图像生成的多样性；（3）稳定的训练。

  • 本文对GAN相关研究的进展进行了详细回顾，讨论其在计算机视觉中引人注目的应用，并提出一些有关未来研究方向的建议。

ACM顶刊接收 | GAN的综述_深度学习_02

2 典型网络结构

ACM顶刊接收 | GAN的综述_深度学习_03

  • Fully-connected GAN (FCGAN)

  • Semi-supervised GAN (SGAN)

SGAN是在半监督学习的背景下提出的，与监督学习（其中每个样本都需要一个标签）和非监督学习（其中不提供标签）不同，半监督学习具有一小部分示例的标签。与FCGAN相比，SGAN的鉴别器是multi-headed的，即具有softmax和Sigmoid，以对真实数据进行分类并分别区分真实和生成样本。作者在MNIST数据集上训练SGAN，结果表明与原始GAN相比，SGAN中的鉴别器和生成器均得到了改进。

ACM顶刊接收 | GAN的综述_人工智能_04

  • Bidirectional GAN (BiGAN)

ACM顶刊接收 | GAN的综述_人工智能_05

  • Conditional GAN (CGAN)

ACM顶刊接收 | GAN的综述_编程语言_06

  • InfoGAN

ACM顶刊接收 | GAN的综述_编程语言_07

  • Auxiliary Classifier GAN (AC-GAN)

ACM顶刊接收 | GAN的综述_深度学习_08

  • Laplacian Pyramid of Adversarial Networks (LAPGAN)

ACM顶刊接收 | GAN的综述_机器学习_09

  • Deep Convolutional GAN (DCGAN)

ACM顶刊接收 | GAN的综述_深度学习_10

  • Boundary Equilibrium GAN (BEGAN)

ACM顶刊接收 | GAN的综述_编程语言_11

  • Progressive GAN (PROGAN)

ACM顶刊接收 | GAN的综述_计算机视觉_12

  • Self-attention GAN (SAGAN)

ACM顶刊接收 | GAN的综述_机器学习_13

  • BigGAN

  • Label-noise Robust GANs (rGANs)

  • Your Local GAN (YLG)

  • AutoGAN

ACM顶刊接收 | GAN的综述_编程语言_14

  • MSG-GAN

ACM顶刊接收 | GAN的综述_深度学习_15

  • 总结

ACM顶刊接收 | GAN的综述_人工智能_16

3 代表性损失函数

ACM顶刊接收 | GAN的综述_深度学习_17

  • Wasserstein GAN (WGAN)

  • WGAN-GP

  • Least Square GAN (LSGAN)

  • f-GAN

  • Unrolled GAN (UGAN)

  • Loss Sensitive GAN (LS-GAN)

  • Mode Regularized GAN (MRGAN)

  • Geometric GAN

  • Relativistic GAN (RGAN)

  • Spectral normalization GAN (SN-GAN)

  • RealnessGAN

  • Sphere GAN

  • Self-supervised GAN (SS-GAN)

  • 总结

ACM顶刊接收 | GAN的综述_人工智能_18

4 常见应用

  • 数据增强

  • 图像合成

  • 视频生成

  • 特征生成

5 评估指标

6 未来&总结

GAN主要还是在图像视觉上有较大进展，NLP等领域相对滞后；一些其他数据模态例如时空序列等也相对探索较少；GAN的不良使用可能会对社会产生消极影响，例如在deepfake、伪造等方面进行恶意应用。

ACM顶刊接收 | GAN的综述_计算机视觉_19

 

ACM顶刊接收 | GAN的综述_编程语言_20

更多文章请关注《万象专栏》