GAN凝结了人们对”创作”本质的看法 — David 9
虽然ICLR 2018 要明年5月举办, 一些企业巨头已经摩拳擦掌，前不久，英伟达正在审阅的论文引起了大家注意，David 9觉得很有意思。论文用深度增长的网络构建、并生成稳定，高质量，多样的GAN对抗样本图片 ：
上图demo是深度增长网络GAN生成的明星样本，清晰度和质量堪称惊艳。论文打破了神经网络在训练过程中“架构不变”的惯性思维。为了更好地“临摹”高清的明星脸谱，训练过程中，先从“粗略模糊”地“勾勒”开始对抗学习： 继续阅读深度增长网络: 构建稳定，高质量，多样的GAN对抗模型，英伟达论文选读2
训练”稳定”，样本的”多样性”和”清晰度”似乎是GAN的 3大指标 — David 9
聊到随机样本生成, 不得不提VAE与GAN, VAE用KL-divergence和encoder-decoder的方式逼近真实分布. 但这些年GAN因其”端到端”灵活性和隐式的目标函数得到广泛青睐. 而且, GAN更倾向于生成清晰的图像:
GAN在10次Epoch后就可以生成较清晰的样本, 而VAE的生成样本依旧比较模糊. 所以GAN大盘点前, 我们先比较一下VAE与GAN的结构差别:
VAE训练完全依靠一个假设的loss函数和KL-divergence逼近真实分布:
GAN则没有假设单个loss函数, 而是让判别器D和生成器G之间进行一种零和博弈, 继续阅读独家 | GAN大盘点，聊聊这些年的生成对抗网络 : LSGAN, WGAN, CGAN, infoGAN, EBGAN, BEGAN, VAE
人类的想象力似乎是天生的, 而现今计算机的”想象力”来自”数据增强”技术. — David 9
这届CVPR上, 苹果为博得AI界眼球, 竟然拿到了最佳论文 ! 也许这篇论文没有什么深远意义，也许只能反映学术被业界商界渗透的厉害，也许有更好的文章应该拿到最佳论文。
这又何妨, 历史的齿轮从来不会倒退, David 9看到的趋势是, 人类越来越擅长赋予计算机”想象力”, 以GAN为辅助的”数据增强”技术是开始, 但绝不是终点 !
言归正传, 来剖析这篇论文, 首先，这篇文章的目标非常清晰，就是用非监督训练集，训练一个“图片优化器”（refiner），用来优化人工模拟图片，使得这一模拟图片更像真实图片，并且具有真实图片的独特属性：
如上图，人工模拟的伪造图片（Synthetic）经过优化器Refiner变得与非监督集合（第一行的3张图片）非常相似，极大的增强了模拟图片的真实性。 继续阅读CVPR 2017论文精选#1 用模拟+非监督对抗生成图片的增强方法进行学习（Best paper award 最佳论文奖）
