GAN论文完整翻译与深度解析：Generative Adversarial Networks

#

论文基本信息

• 标题：Generative Adversarial Networks
  • 作者：Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio
    • 机构：Université de Montréal
      • 发表年份：2014
        • 引用数：超过10万次

          #

          摘要

          英文摘要：
          We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability that a sample came from the training data rather than G.

          中文翻译：
          我们提出了一个新的框架，通过对抗过程来估计生成模型，在这个过程中我们同时训练两个模型：一个生成模型G捕获数据分布，以及一个判别模型D估计样本来自训练数据而不是G的概率。

          #

          1. 导言

          英文原文：
          The generative model can be thought of as a team of counterfeiters, trying to produce fake currency and use it without detection, while the discriminative model is like the police, trying to detect the counterfeit currency.

          中文翻译：
          生成模型可以被认为是一群伪造者，试图生产假币并在不被检测的情况下使用，而判别模型就像警察，试图检测假币。

          英文原文：
          The training procedure for G is to maximize the probability of D making a mistake.

          中文翻译：
          G的训练过程是最大化D犯错的概率。

          #

          2. 对抗训练

          英文原文：
          In the simultaneous stochastic gradient descent, the discriminator is updated with a mini-batch of samples from the simulated distribution, and the generator is updated with a mini-batch from the training data.

          中文翻译：
          在同时随机梯度下降中，判别器使用来自模拟分布的小批量样本进行更新，而生成器使用来自训练数据的小批量样本进行更新。

          #

          3. 核心技术名词总结

          1. Generator（生成器）：学习生成逼真数据
          2. Discriminator（判别器）：区分真假数据
          3. Minimax Game（最小最大博弈）：GAN的训练目标
          4. Latent Space（潜在空间）：隐向量控制生成
          5. Mode Collapse（模式坍塌）：GAN的训练难题
          6. Wasserstein Distance：改进的GAN损失函数

          #

          4. 总结

          GAN开创了生成式AI的新时代，通过生成器和判别器的对抗训练，实现了逼真的图像生成。