Генеративные состязательные сети: обзор

Генеративные состязательные сети (GAN) предоставляют способ обучения глубоких представлений без обширно размеченных обучающих данных. Они достигают этого посредством получения сигналов обратного распространения ошибки через состязательный процесс, в котором участвует пара сетей. Представления, которые могут быть выучены с помощью GAN, могут использоваться в различных приложениях, включая синтез изображений, семантическое редактирование изображений, перенос стиля, сверхразрешение изображений и классификацию. Цель этого обзорного статьи — предоставить обзор GAN для сообщества обработки сигналов, опираясь по возможности на знакомые аналогии и концепции. Помимо идентификации различных методов обучения и построения GAN, мы также указываем на сохраняющиеся проблемы в их теории и применении.