生成对抗网络（GAN）的5个最有趣的应用

https://www.toutiao.com/a6706480830081925646/

“GAN”这个词是由Ian Goodfellow在2014年引入的，但这个概念早在1990年就开始存在（由JürgenSchmidhuber开创）。 事实上，GAN现在无处不在。 数据科学家和深度学习研究人员使用这种技术生成逼真的图像，改变面部表情，创建计算机游戏场景，可视化设计，最近甚至生成令人惊叹的艺术作品。

FAIZAN SHAIKH最近总结了GAN网络的5个最有趣的应用。非常值得一看。

用于图像编辑的GAN

如今，大多数图像编辑软件都没有给我们很大的灵活性来对图片进行创造性的改变。 例如，假设你想通过改变他/她的发型来改变一个90岁的人的外表。 目前的图像编辑工具无法做到这一点。 但猜猜怎么了？ 使用GAN，我们可以重建图像并尝试彻底改变外观。

 

《Invertible Conditional GANs for image editing》这篇文章描述了如何编辑图片。

用于安全性GAN

对于大多数行业来说，人工智能的兴起是很棒的事情。 但真正令人担忧的是即使是深层神经网络也容易被黑客入侵。

算法在工业应用应当考虑对网络攻击具有鲁棒性。 生产线上有很多机密信息！ 事实证明，GAN在这方面提供了巨大的帮助，直接解决了“对抗性攻击”的问题。

这些对抗性攻击使用各种技术来欺骗深度学习架构。 GAN用于使现有的深度学习模型对这些技术更加健壮。 它通过创建更多这样的假例子并训练模型来识别它们。 非常聪明的东西。

一种名为SSGAN（论文：《SSGAN: Secure Steganography Based on Generative Adversarial Networks》）的技术用于对图像进行隐写分析并检测不应存在的有害编码。

使用GAN生成数据

我们中间谁不愿意收集更多数据来构建我们的深度学习模型？ 某些领域的数据可用性是必要的，特别是在需要训练数据来训练学习算法的领域，例如医疗行业。

GAN可用于生成有监督的合成数据。

例如，本文（《Learning from Simulated and Unsupervised Images through Adversarial Training 》）探讨了在GAN的帮助下通过创建逼真的眼睛图像来训练深度学习算法的合成数据的创建。

 

注意力预测的GAN

当我们看到图像时，我们倾向于关注特定部分（而不是整个图像）。 这被称为注意力，是一种重要的人类特征。 了解一个人事先看到的位置对于企业来说肯定是一个有用的功能，因为他们可以更好地优化和定位他们的产品。

例如，游戏设计师可以专注于游戏的特定部分，以增强功能并使其更具吸引力。

本文（《SalGAN: visual saliency prediction with adversarial networks》）探讨了这个令人着迷的想法，作者尝试使用GAN识别给定图像中最吸引人的部分。

 

用于3D对象生成的GAN

游戏设计师无数个小时重建3D头像和背景，给他们一种逼真的感觉。通过想象创建3D模型肯定需要付出很多努力。 所以我建议你观看这个视频。 您可能会相信GAN的强大功能，它们可用于自动化整个过程！

pix2vox是基于草图的堆叠生成对抗网络三维探索。

 

这是一个Github库：https://github.com/maxorange/pix2vox