生成式对抗网络(GAN, generative adversarial network)是由 Goodfellow 等人于 2014 年提􏰀出,其可以生成十分逼真的合成图像,使生成图像与真实图像在统计上几乎无法区分。 

一种对于生成对抗网络的直观理解是,假设一名伪造者伪造一些猫咪图片, 起初这名伪造者并不熟悉该如何去绘制猫咪,他将真实的猫咪图片与他的伪造作品 一同交予鉴赏家,鉴赏家对每幅作品的真实性进行评估,并告诉伪造者的作品与真 实图片的差异,伪造者据此再次更新,并重复上述步骤,不断循环后,伪造者可以 仿制出非常逼真的猫咪图片,鉴赏家也越来越难以分辨,伪造者与鉴赏家不断“对 抗”,至此“生成”了一批非常真实的伪造猫咪图片。 

类似于上述例子,生成对抗网络由两部分组成生成器网络与判别器网络。 生成器网络以一个随机向量(潜在空间中随机一点)为输入,将其解码为一张图像。 判别器网络以一张图片为输入,预测其来自于训练集还是生成器网络。随着不断训练,生成器网络能够不断欺骗判别器,生成越来越逼真的图片,同时判别器网络也不断􏰀高能力,对生成器网络􏰀出更高的标准。 

现在我尝试利用GAN生成树叶图片,为后续研究提供数据集。

生成器网络

判别器网络

部分生成样本