什么是GAN？
生成对抗网络（Generative Adversarial Networks, GAN）是由Ian Goodfellow等人于2014年提出的深度学习框架，通过生成器与判别器的博弈实现数据生成。其核心思想可以用以下公式概括： $$ \min_G \max_D V(D,G) = \mathbb{E}{\boldsymbol{x}\sim p{data}}[\log D(\boldsymbol{x})] + \mathbb{E}{\boldsymbol{z}\sim p{\boldsymbol{z}}}[ \log (1 - D(G(\boldsymbol{z}))) ] $$
经典论文推荐
Goodfellow et al. (2014) 论文链接
《Generative Adversarial Networks》（NIPS 2014）
📌 GAN的奠基性论文，提出基本框架与损失函数设计Radford et al. (2015)
《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》（ICML 2015）
📌 DCGAN论文，首次系统性地探索了卷积GAN的训练技巧Arjovsky et al. (2017)
《Wasserstein GAN》（ICML 2017）
📌 引入Wasserstein距离，解决了传统GAN训练不稳定的问题
近期进展
StyleGAN（2018）
通过潜在空间操控实现高质量图像生成
📌 扩展阅读Diffusion Models（2021）
基于扩散过程的生成方法，被证明在图像生成任务中具有更稳定的训练特性GANs in Medical Imaging
在医学图像合成与增强领域取得突破性进展
📌 相关案例
应用领域
- 🎨 图像生成与风格迁移
- 📈 数据增强与合成
- 🧬 生物医学图像分析
- 📊 金融风控中的异常检测