LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Generative Adversarial Nets生成对抗网络

#near-cvpr-2025#image-generation#primary-source

GAN：对抗式隐式生成

一句话结论

GAN 用生成器与判别器的对抗博弈学习隐式数据分布，开辟了无需显式似然、可一次前向采样的生成路线。

问题定义

能否不显式写出复杂数据分布的归一化似然，而通过“真假区分”信号训练生成器？

方法概述

生成器把噪声映射为样本，判别器区分真实与生成；二者交替优化极小极大目标。

关键发现

  • 理想条件下 $p_g=p_{data}$ 是博弈全局最优。
  • 对抗信号可替代显式似然训练生成器。
  • 原始论文建立范式，不等同于后来高分辨率 GAN 的全部能力。

局限或疑问

  • 训练不稳定、模式坍塌与梯度问题突出。
  • 理论平衡不保证有限模型优化收敛。
  • 原论文评测不能作为现代生成质量标准。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-gan",
  "type": "source",
  "title": "Generative Adversarial Nets：生成对抗网络",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2014",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Ian Goodfellow",
    "Jean Pouget-Abadie",
    "Mehdi Mirza",
    "Bing Xu",
    "David Warde-Farley",
    "Sherjil Ozair",
    "Aaron Courville",
    "Yoshua Bengio"
  ],
  "published_at": "2014-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1406.2661",
    "https://papers.nips.cc/paper_files/paper/2014/hash/f033ed80deb0234979a61f95710dbe25-Abstract.html",
    "https://arxiv.org/pdf/1406.2661"
  ],
  "raw_entry": "raw/ingest/2026-07-14-gan/",
  "analysis_note": "raw/ingest/2026-07-14-gan/analysis.md",
  "topics": [
    "topics/visual-generation-foundations"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}