生成对抗网络（Generative Adversarial Networks, GAN）是一种通过对抗训练生成高质量数据的深度学习框架。它由生成器（Generator）和判别器（Discriminator）两个网络构成，二者博弈中共同提升生成数据的逼真度。
核心原理 🧠
- 生成器：学习从随机噪声生成类似真实数据的样本（如图片、文本）
- 判别器：判断输入数据是真实样本还是生成器制造的假样本
- 训练过程：二者通过零和博弈不断优化，最终达成数据分布的平衡
典型应用 🖼️
- 图像生成：如风格迁移、人脸合成
- 数据增强：合成缺失数据以提升模型泛化能力
- 艺术创作：生成艺术作品或设计草图
技术优势 ✅
- 无需人工设计特征，自动学习数据分布
- 可生成高分辨率、多样化的数据
- 支持跨模态生成（如文本到图像）
挑战与局限 🔍
- 训练不稳定，易出现模式崩溃（Mode Collapse）
- 需要大量计算资源
- 评估生成质量缺乏统一标准