Review of Generative Adversarial Networks in Image Generation

Wanle Chi; Yun Huoy Choo; Ong Sing Goh

doi:10.20965/jaciii.2022.p0003

单jc.php

下一个»

JACIII第26卷第1期第3-7页

doi:10.20965/jaciii.2022.p0003

(2022)

审查：

过去60天的浏览量： 802

图像生成中的生成性对抗网络综述

万乐池^*,,†、Yun Huoy Choo^和Ong Sing Goh^**

^*温州职业技术学院信息技术系
中国浙江温州茶山大学城，邮编325035

^**马来西亚马六甲科技大学信息与通信技术学院
马来西亚马六甲76100

^†通讯作者

收到：

2020年5月31日

认可的：

2021年3月11日

出版：

2022年1月20日

关键词：

图像生成、生成性对抗网络、机器学习、梯度消失、崩溃模式

摘要

生成性对抗网络（GAN）模型使用对抗性竞争策略生成和鉴别图像，以生成高质量图像。GAN在不同领域的实现有助于生成不容易获得的样本。图像生成可以帮助机器学习平衡数据，提高分类器的准确性。本文介绍了GAN模型的原理，分析了改进GAN的优缺点。分析了GAN在图像生成中的应用。最后，总结了GAN在图像生成中存在的问题。

图像生成中的GAN综述

引用本文为：

W.Chi、Y.Choo和O.Goh，“图像生成中生成性对抗网络的回顾”高级计算杂志。因特尔。因特尔。通知。第26卷第1期，第3-7页，2022年。

数据文件：

工具书类

[1] I.J.Goodfellow、J.Pouget-Abadie、M.Mirza等人，“生成对抗网”，Proc。第27届神经信息处理系统国际会议（NIPS’14），第2672-2680页，2014年。
[2] M.Arjovsky、S.Chintala和L.Bottou，“Wasserstein生成性对抗网络”，Proc。第34届国际机器学习大会（ICML’17），第214-223页，2017年。
[3] I.Gulrajani、F.Ahmed、M.Arjovsky等人，“改进Wasserstein GANs的训练”，Proc。第31届神经信息处理系统国际会议（NIPS’17），第5769-5779页，2017年。
[4] M.Mirza和S.Osindero，“条件生成对抗网”，arXiv预印本，arXiv:1411.17842014年。
[5] T.Miyato和M.Koyama，“带投影鉴别器的cGAN”，第六届学习表征国际会议（ICLR2018），第517-540页，2018年。
[6] Y.Bengio，G.Mesnil，Y.Dauphin等人，“通过深度表征实现更好的混合”，Proc。第30届国际机器学习大会（ICML’13），第I-552-I-560页，2013年。
[7] A.Radford、L.Metz和S.Chintala，“深度卷积生成对抗网络的无监督表征学习”，arXiv预印本，arXiv:1511.064342015年。
[8] T.Salimans、I.Goodfellow、W.Zaremba等人，《改进GAN训练技术》，Proc。第30届神经信息处理系统国际会议（NIPS’16），第2234-2242页，2016年。
[9] H.Zhang，I.Goodfellow，D.Metaxas等人，“自我关注生成对抗网络”，Proc。第36届国际机器学习大会，第7354-73632019页。
[10] T.Miyato、T.Kataoka、M.Koyama等人，“生成性对抗网络的谱归一化”，第六届学习表征国际会议（ICLR2018），第737-758页，2018年。
[11] H.Zhang，T.Xu，H.Li等人，“堆叠GAN:使用堆叠生成对抗网络进行文本到照片真实感图像合成”，2017年IEEE计算机视觉国际会议（ICCV），第5908-5916页，2017年。
[12] H.Zhang，T.Xu，H.Li等人，“StackGAN++：堆叠生成对抗网络的真实图像合成”，IEEE Trans。关于模式分析和机器智能，第41卷，第1947-1962页，2018年。
[13] R.Huang，S.Zhang，T.Li等人，“超越面部旋转：真实感和身份保持前视图合成的全局和局部感知GAN”，2017年IEEE计算机视觉国际会议（ICCV），第5218-5236页，2017年。
[14] G.Yildirim、N.Jetchev、R.Vollgraf等人，“穿着定制服装生成高分辨率时尚模特图像”，2019 IEEE/CVF国际计算机视觉研讨会（ICCVW），第1783-1796页，2019年。
[15] T·张、M·张和P·江，“基于空间连续性生成对抗网络的帧间视频图像生成”，《中国高科技快报》，第28卷，第843-851页，2018年（中文）。
[16] A.Brock、J.Donahue和K.Simonyan，“高保真自然图像合成的大规模GAN培训”，第七届学习表征国际会议（ICLR2019），第2517-2540页，2019年。
[17] S.Reed，Z.Akata，X.Yan等人，“生成性对抗文本到图像合成”，Proc。第33届国际机器学习大会，第1060-10692016页。
[18] M.Zhu、P.Pan和W.Chen，“DM-GAN：用于文本图像合成的动态内存生成对抗网络”，2019年IEEE/CVF计算机视觉和模式识别（CVPR）会议，第1221-12422019页。
[19] C.Li，K.Xu，J.Zhu等人，“三代对抗网”，Proc。第31届神经信息处理系统国际会议（NIPS’17），第1481-1496页，2017年。
[20] Y.Ren，X.Yu，J.Chen等人，“用于生成人物图像的深度图像空间变换”，2020年IEEE/CVF计算机视觉和模式识别会议，第7690-76992020页。
[21]W.Jiang，S.Liu，C.Gao等人，“PSGAN:用于可定制化妆转移的姿势和表情鲁棒空间感知GAN”，2020 IEEE/CVF计算机视觉和模式识别（CVPR）会议，第5194-5202页，2020年。
[22]D.Liu，C.Long，H.Zhang等人，“ArshadowGAN:单光场景中增强现实的阴影生成对抗网络”，2020 IEEE/CVF计算机视觉和模式识别（CVPR）会议，第8139-8148页，2020年。

本文发表于Creative Commons Attribution-NoDerivatives 4.0国际许可证。

[1] [1] I.J.Goodfellow、J.Pouget-Abadie、M.Mirza等人，“生成对抗网”，Proc。第27届神经信息处理系统国际会议（NIPS’14），第2672-2680页，2014年。

[2] [2] M.Arjovsky、S.Chintala和L.Bottou，“Wasserstein生成性对抗网络”，Proc。第34届国际机器学习大会（ICML’17），第214-223页，2017年。

[3] [3] I.Gulrajani、F.Ahmed、M.Arjovsky等人，“改进Wasserstein GANs的训练”，Proc。第31届神经信息处理系统国际会议（NIPS’17），第5769-5779页，2017年。

[4] [4] M.Mirza和S.Osindero，“条件生成对抗网”，arXiv预印本，arXiv:1411.17842014年。

[5] [5] T.Miyato和M.Koyama，“带投影鉴别器的cGAN”，第六届学习表征国际会议（ICLR2018），第517-540页，2018年。

[6] [6] Y.Bengio，G.Mesnil，Y.Dauphin等人，“通过深度表征实现更好的混合”，Proc。第30届国际机器学习大会（ICML’13），第I-552-I-560页，2013年。

[7] [7] A.Radford、L.Metz和S.Chintala，“深度卷积生成对抗网络的无监督表征学习”，arXiv预印本，arXiv:1511.064342015年。

[8] [8] T.Salimans、I.Goodfellow、W.Zaremba等人，《改进GAN训练技术》，Proc。第30届神经信息处理系统国际会议（NIPS’16），第2234-2242页，2016年。

[9] [9] H.Zhang，I.Goodfellow，D.Metaxas等人，“自我关注生成对抗网络”，Proc。第36届国际机器学习大会，第7354-73632019页。

[10] [10] T.Miyato、T.Kataoka、M.Koyama等人，“生成性对抗网络的谱归一化”，第六届学习表征国际会议（ICLR2018），第737-758页，2018年。

[11] [11] H.Zhang，T.Xu，H.Li等人，“堆叠GAN:使用堆叠生成对抗网络进行文本到照片真实感图像合成”，2017年IEEE计算机视觉国际会议（ICCV），第5908-5916页，2017年。

[12] [12] H.Zhang，T.Xu，H.Li等人，“StackGAN++：堆叠生成对抗网络的真实图像合成”，IEEE Trans。关于模式分析和机器智能，第41卷，第1947-1962页，2018年。

[13] [13] R.Huang，S.Zhang，T.Li等人，“超越面部旋转：真实感和身份保持前视图合成的全局和局部感知GAN”，2017年IEEE计算机视觉国际会议（ICCV），第5218-5236页，2017年。

[14] [14] G.Yildirim、N.Jetchev、R.Vollgraf等人，“穿着定制服装生成高分辨率时尚模特图像”，2019 IEEE/CVF国际计算机视觉研讨会（ICCVW），第1783-1796页，2019年。

[15] [15] T·张、M·张和P·江，“基于空间连续性生成对抗网络的帧间视频图像生成”，《中国高科技快报》，第28卷，第843-851页，2018年（中文）。

[16] [16] A.Brock、J.Donahue和K.Simonyan，“高保真自然图像合成的大规模GAN培训”，第七届学习表征国际会议（ICLR2019），第2517-2540页，2019年。

[17] [17] S.Reed，Z.Akata，X.Yan等人，“生成性对抗文本到图像合成”，Proc。第33届国际机器学习大会，第1060-10692016页。

[18] [18] M.Zhu、P.Pan和W.Chen，“DM-GAN：用于文本图像合成的动态内存生成对抗网络”，2019年IEEE/CVF计算机视觉和模式识别（CVPR）会议，第1221-12422019页。

[19] [19] C.Li，K.Xu，J.Zhu等人，“三代对抗网”，Proc。第31届神经信息处理系统国际会议（NIPS’17），第1481-1496页，2017年。

[20] [20] Y.Ren，X.Yu，J.Chen等人，“用于生成人物图像的深度图像空间变换”，2020年IEEE/CVF计算机视觉和模式识别会议，第7690-76992020页。

[21] [21]W.Jiang，S.Liu，C.Gao等人，“PSGAN:用于可定制化妆转移的姿势和表情鲁棒空间感知GAN”，2020 IEEE/CVF计算机视觉和模式识别（CVPR）会议，第5194-5202页，2020年。

[22] [22]D.Liu，C.Long，H.Zhang等人，“ArshadowGAN:单光场景中增强现实的阴影生成对抗网络”，2020 IEEE/CVF计算机视觉和模式识别（CVPR）会议，第8139-8148页，2020年。

图像生成中的生成性对抗网络综述

万乐池*,**,†、Yun Huoy Choo**和Ong Sing Goh**

万乐池^*,,†、Yun Huoy Choo^和Ong Sing Goh^**