-
摘要: 处理部分光照和遮挡等噪声的图像重构及分类问题因其极具挑战而备受关注，该问题的解决很大程度上取决于对误差的描述，常见的方法以向量形式存储误差矩阵且假定其服从于独立同分布，忽视了图像数据的内部结构信息.针对该问题，本文提出一种联合平滑矩阵多变量椭圆分布的稀疏表示算法（Sparse representation with smoothed matrix multivariate elliptical distribution，SMED）.该算法强调误差矩阵中各个像素间的依赖性并假定误差矩阵作为一个随机矩阵变量服从于矩阵多变量椭圆分布；之后，引入辅助变量光滑目标函数，使得模型易于获得全局最优解；最后，采用迭代加权最小二乘法优化求解模型.此外，文中对SMED算法的收敛性和复杂度进行了理论分析，并讨论了模型的参数敏感性.在AR、ExYaleB和PubFig三个公开数据集中的实验验证了所提算法具有鲁棒的鉴别力，且其综合性能明显优于经典算法.Abstract: As one of the most challerging problems, partial illumination or occlusion in image reconstruction and classification has recently received considerable attention. This problem heavily depends on the characterization of representation error, while most existing approaches ignore the internal structure information of image data for the error matrix needs to be stretched into a vector with each element being assumed independently corrupted. To improve the algorithms in this regard, a new sparse representation with smoothed matrix multivariate elliptical distribution (SMED) is proposed, which emphasizes the dependency between pixels of noise and assums that error matrix is a random matrix variate and follows a matrix multivariate elliptical distribution. Then, it introduces regularization terms to smooth the objective function, which makes the model easily to obtain a globally optimal solution. Finally, iteratively reweighted least square is adopted to solve the SMED model efficiently. Furthermore, comprehensive analyses are also performed including convergence behavior, computational complexity, together with parameter determination. Experimental results on the AR, ExYaleB and PubFig databases demonstrate that the proposed algorithm is a robust discriminative classifier with excellent performance, being superior to classical algorithms.
-
生成式对抗网络GAN (Generative adversarial networks) 是Goodfellow等[1]在2014年提出的一种生成式模型. GAN在结构上受博弈论中的二人零和博弈 (即二人的利益之和为零, 一方的所得正是另一方的所失) 的启发, 系统由一个生成器和一个判别器构成.生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本; 判别器是一个二分类器, 判别输入是真实数据还是生成的样本.生成器和判别器均可以采用目前研究火热的深度神经网络[2]. GAN的优化过程是一个极小极大博弈 (Minimax game) 问题, 优化目标是达到纳什均衡[3], 使生成器估测到数据样本的分布.
在当前的人工智能热潮下, GAN的提出满足了许多领域的研究和应用需求, 同时为这些领域注入了新的发展动力. GAN已经成为人工智能学界一个热门的研究方向, 著名学者LeCun甚至将其称为“过去十年间机器学习领域最让人激动的点子”.目前, 图像和视觉领域是对GAN研究和应用最广泛的一个领域, 已经可以生成数字、人脸等物体对象, 构成各种逼真的室内外场景, 从分割图像恢复原图像, 给黑白图像上色, 从物体轮廓恢复物体图像, 从低分辨率图像生成高分辨率图像等[4].此外, GAN已经开始被应用到语音和语言处理[5-6]、电脑病毒监测[7]、棋类比赛程序[8]等问题的研究中.
本文综述了生成式对抗网络GAN的最新研究进展, 并对发展趋势进行展望.第1节介绍GAN的提出背景.第2节描述GAN的理论与实现模型, 包括GNN的基本原理、学习方法、衍生模型等.第3节列举GAN在图像和视觉、语音和语言、信息安全等领域的典型应用.第4节对GAN进行思考与展望, 讨论GAN与平行智能, 特别是与计算实验的关系.最后, 第5节对本文进行总结.
1. GAN的提出背景
本节介绍GAN的提出背景, 以便读者更好地理解GAN的研究进展和应用领域.
1.1 人工智能的热潮
近年来, 随着计算能力的提高和各行业数据量的剧增, 人工智能取得了快速发展, 使得研究者对人工智能的关注度和社会大众对人工智能的憧憬空前提升[2, 9].学术界普遍认为人工智能分为两个阶段:感知阶段和认知阶段.在感知阶段, 机器能够接收来自外界的各种信号, 例如视觉信号、听觉信号等, 并对此作出判断, 对应的研究领域有图像识别、语音识别等.在认知阶段, 机器能够对世界的本质有一定的理解, 不再是单纯、机械地做出判断.基于多年的研究经验, 本文作者认为人工智能的表现层次包括判断、生成、理解和创造及应用, 如图 1所示.一方面, 这些层次相互联系相互促进; 另一方面, 各个层次之间又有很大的鸿沟, 有待新的研究突破.
无论是普遍认为的人工智能两阶段还是本文作者总结的人工智能四个层次, 其中都涉及理解这个环节.然而, 理解无论对人类还是人工智能都是内在的表现, 无法直接测量, 只能间接从其他方面推测.如何衡量人工智能的理解程度, 虽然没有定论, 但是著名学者Feynman有句名言“What I cannot create, I do not understand. (不可造者, 未能知也.)”这说明机器制造事物的能力从某种程度上取决于机器对事物的理解.而GAN作为典型的生成式模型, 其生成器具有生成数据样本的能力.这种能力在一定程度上反映了它对事物的理解.因此, GAN有望加深人工智能的理解层面的研究.
1.2 生成式模型的积累
生成式模型不仅在人工智能领域占有重要地位, 生成方法本身也具有很大的研究价值.生成方法和判别方法是机器学习中监督学习方法的两个分支.生成式模型是生成方法学习得到的模型.生成方法涉及对数据的分布假设和分布参数学习, 并能够根据学习而来的模型采样出新的样本.本文认为生成式模型从研究出发点的角度可以分为两类:人类理解数据的角度和机器理解数据的角度.
从人类理解数据的角度出发, 典型的做法是先对数据的显式变量或者隐含变量进行分布假设, 然后利用真实数据对分布的参数或包含分布的模型进行拟合或训练, 最后利用学习到的分布或模型生成新的样本.这类生成式模型涉及的主要方法有最大似然估计法、近似法[10-11]、马尔科夫链方法[12-14]等.从这个角度学习到的模型具有人类能够理解的分布, 但是对机器学习来说具有不同的限制.例如, 以真实样本进行最大似然估计, 参数更新直接来自于数据样本, 导致学习到的生成式模型受到限制.而采用近似法学习到的生成式模型由于目标函数难解一般只能在学习过程中逼近目标函数的下界, 并不是直接对目标函数的逼近.马尔科夫链方法既可以用于生成式模型的训练又可以用于新样本的生成, 但是马尔科夫链的计算复杂度较高.
从机器理解数据的角度出发, 建立的生成式模型一般不直接估计或拟合分布, 而是从未明确假设的分布中获取采样的数据[15], 通过这些数据对模型进行修正.这样得到的生成式模型对人类来说缺乏可解释性, 但是生成的样本却是人类可以理解的.以此推测, 机器以人类无法显式理解的方式理解了数据并且生成了人类能够理解的新数据.在GAN提出之前, 这种从机器理解数据的角度建立的生成式模型一般需要使用马尔科夫链进行模型训练, 效率较低, 一定程度上限制了其系统应用.
GAN提出之前, 生成式模型已经有一定研究积累, 模型训练过程和生成数据过程中的局限无疑是生成式模型的障碍.要真正实现人工智能的四个层次, 就需要设计新的生成式模型来突破已有的障碍.
1.3 神经网络的深化
过去10年来, 随着深度学习[16-17]技术在各个领域取得巨大成功, 神经网络研究再度崛起.神经网络作为深度学习的模型结构, 得益于计算能力的提升和数据量的增大, 一定程度上解决了自身参数多、训练难的问题, 被广泛应用于解决各类问题中.例如, 深度学习技术在图像分类问题上取得了突破性的效果[18-19], 显著提高了语音识别的准确率[20], 又被成功应用于自然语言理解领域[21].神经网络取得的成功和模型自身的特点是密不可分的.在训练方面, 神经网络能够采用通用的反向传播算法, 训练过程容易实现; 在结构方面, 神经网络的结构设计自由灵活, 局限性小; 在建模能力方面, 神经网络理论上能够逼近任意函数, 应用范围广.另外, 计算能力的提升使得神经网络能够更快地训练更多的参数, 进一步推动了神经网络的流行.
1.4 对抗思想的成功
从机器学习到人工智能, 对抗思想被成功引入若干领域并发挥作用.博弈、竞争中均包含着对抗的思想.博弈机器学习[22]将博弈论的思想与机器学习结合, 对人的动态策略以博弈论的方法进行建模, 优化广告竞价机制, 并在实验中证明了该方法的有效性.围棋程序AlphaGo[23]战胜人类选手引起大众对人工智能的兴趣, 而AlphaGo的中级版本在训练策略网络的过程中就采取了两个网络左右互博的方式, 获得棋局状态、策略和对应回报, 并以包含博弈回报的期望函数作为最大化目标.在神经网络的研究中, 曾有研究者利用两个神经网络互相竞争的方式对网络进行训练[24], 鼓励网络的隐层节点之间在统计上独立, 将此作为训练过程中的正则因素.还有研究者[25-26]采用对抗思想来训练领域适应的神经网络:特征生成器将源领域数据和目标领域数据变换为高层抽象特征, 尽可能使特征的产生领域难以判别; 领域判别器基于变换后的特征, 尽可能准确地判别特征的领域.对抗样本[27-28]也包含着对抗的思想, 指的是那些和真实样本差别甚微却被误分类的样本或者差异很大却被以很高置信度分为某一真实类的样本, 反映了神经网络的一种诡异行为特性.对抗样本和对抗网络虽然都包含着对抗的思想, 但是目的完全不同.对抗思想应用于机器学习或人工智能取得的诸多成果, 也激发了更多的研究者对GAN的不断挖掘.
2. GAN的理论与实现模型
2.1 GAN的基本原理
GAN的核心思想来源于博弈论的纳什均衡.它设定参与游戏双方分别为一个生成器 (Generator) 和一个判别器 (Discriminator), 生成器的目的是尽量去学习真实的数据分布, 而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器; 为了取得游戏胜利, 这两个游戏参与者需要不断优化, 各自提高自己的生成能力和判别能力, 这个学习优化过程就是寻找二者之间的一个纳什均衡. GAN的计算流程与结构如图 2所示.任意可微分的函数都可以用来表示GAN的生成器和判别器, 由此, 我们用可微分函数D和G来分别表示判别器和生成器, 它们的输入分别为真实数据x和随机变量z. G(z) 则为由G生成的尽量服从真实数据分布pdata的样本.如果判别器的输入来自真实数据, 标注为1.如果输入样本为G(z), 标注为0.这里D的目标是实现对数据来源的二分类判别:真 (来源于真实数据x的分布) 或者伪 (来源于生成器的伪数据G(z)), 而G的目标是使自己生成的伪数据G(z) 在D上的表现D(G(z)) 和真实数据x在D上的表现D(x) 一致, 这两个相互对抗并迭代优化的过程使得D和G的性能不断提升, 当最终D的判别能力提升到一定程度, 并且无法正确判别数据来源时, 可以认为这个生成器G已经学到了真实数据的分布.
2.2 GAN的学习方法
本节中我们讨论GAN的学习训练机制.
首先, 在给定生成器G的情况下, 我们考虑最优化判别器D.和一般基于Sigmoid的二分类模型训练一样, 训练判别器D也是最小化交叉熵的过程, 其损失函数为:
$ \begin{array}{*{20}{l}} {Ob{j^D}({\theta _D},{\theta _G}) = - \frac{1}{2}{{\rm{E}}_{x \sim {p_{data}}(x)}}[\log D(x)] - }\\ {\frac{1}{2}{{\rm{E}}_{z \sim {p_z}(z)}}[\log (1 - D(g(z)))]} \end{array} $
(1) 其中, x采样于真实数据分布pdata(x), z采样于先验分布pz(z) (例如高斯噪声分布), ${\rm E}(\cdot)$表示计算期望值.这里实际训练时和常规二值分类模型不同, 判别器的训练数据集来源于真实数据集分布$p_{data}(x)$ (标注为1) 和生成器的数据分布$p_{g}(x)$ (标注为0) 两部分.给定生成器$G$, 我们需要最小化式 (1) 来得到最优解, 在连续空间上, 式 (1) 可以写为如下形式:
$ \begin{array}{l} Ob{j^D}({\theta _D}, {\theta _G}) =- \frac{1}{2}\int_x {{p_{data}}} (x)\log (D(x)){\rm{d}}x- \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\frac{1}{2}\int_z {{p_z}} {\rm{(}}z{\rm{)}}\log (1- D(g(z))){\rm{d}}z = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; - \frac{1}{2}\int_x [{p_{data}}(x)\log (D(x)) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{p_g}(x)\log (1-D(x))]{\rm{d}}x \end{array} $
(2) 对任意的非零实数$m$和$n$, 且实数值$y\in$[0, 1], 表达式
$ -m\log (y)-n\log (1-y) $
(3) 在$\dfrac{m}{m+n}$处得到最小值.因此, 给定生成器$G$的情况下, 目标函数 (2) 在
$ D_G^*(x) = \frac{{{p_{data}}(x)}}{{{p_{data}}(x) + {p_g}(x)}} $
(4) 处得到最小值, 此即为判别器的最优解.由式 (4) 可知, GAN估计的是两个概率分布密度的比值, 这也是和其他基于下界优化或者马尔科夫链方法的关键不同之处.
另一方面, $D (x)$代表的是$x$来源于真实数据而非生成数据的概率.当输入数据采样自真实数据$x$时, $D$的目标是使得输出概率值$D (x)$趋近于1, 而当输入来自生成数据$G (z)$时, $D$的目标是正确判断数据来源, 使得$D (G (z))$趋近于0, 同时$G$的目标是使得其趋近于1.这实际上就是一个关于$G$和$D$的零和游戏, 那么生成器$G$的损失函数为$Obj^{G}(\theta_{G})=-Obj^{D}(\theta_{D}, \theta_{G})$.所以GAN的优化问题是一个极小-极大化问题, GAN的目标函数可以描述如下:
$ \begin{array}{*{20}{l}} {\mathop {{\rm{min}}}\limits_G \mathop {{\rm{max}}}\limits_D \{ f(D,G) = {{\rm{E}}_{x \sim {p_{data}}(x)}}[\log D(x)] + }\\ {\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{{\rm{E}}_{z \sim {p_z}(z)}}[\log (1 - D(G(z)))]\} } \end{array} $
(5) 总之, 对于GAN的学习过程, 我们需要训练模型$D$来最大化判别数据来源于真实数据或者伪数据分布$G (z)$的准确率, 同时, 我们需要训练模型$G$来最小化$\log (1-D (G (z)))$.这里可以采用交替优化的方法:先固定生成器$G$, 优化判别器$D$, 使得$D$的判别准确率最大化; 然后固定判别器$D$, 优化生成器$G$, 使得$D$的判别准确率最小化.当且仅当$p_{data}=p_{g}$时达到全局最优解.训练GAN时, 同一轮参数更新中, 一般对$D$的参数更新$k$次再对$G$的参数更新1次.
2.3 GAN的衍生模型
自Goodfellow等[1]于2014年提出GAN以来, 各种基于GAN的衍生模型被提出, 这些模型的创新点包括模型结构改进、理论扩展及应用等.部分衍生模型的计算流程与结构如图 3所示.
GAN在基于梯度下降训练时存在梯度消失的问题, 因为当真实样本和生成样本之间具有极小重叠甚至没有重叠时, 其目标函数的Jensen-Shannon散度是一个常数, 导致优化目标不连续.为了解决训练梯度消失问题, Arjovsky等[29]提出了Wasserstein GAN (W-GAN). W-GAN用Earth-Mover代替Jensen-Shannon散度来度量真实样本和生成样本分布之间的距离, 用一个批评函数$f$来对应GAN的判别器, 而且批评函数$f$需要建立在Lipschitz连续性假设上.另外, GAN的判别器$D$具有无限的建模能力, 无论真实样本和生成的样本有多复杂, 判别器$D$都能把它们区分开, 这容易导致过拟合问题.为了限制模型的建模能力, Qi[30]提出了Loss-sensitive GAN (LS-GAN), 将最小化目标函数得到的损失函数限定在满足Lipschitz连续性函数类上, 作者还给出了梯度消失时的定量分析结果.需要指出, W-GAN和LS-GAN并没有改变GAN模型的结构, 只是在优化方法上进行了改进.
GAN的训练只需要数据源的标注信息 (真或伪), 并根据判别器输出来优化. Odena[31]提出了Semi-GAN, 将真实数据的标注信息加入判别器$D$的训练.更进一步, Conditional GAN (CGAN)[32]提出加入额外的信息$y$到$G$、$D$和真实数据来建模, 这里的$y$可以是标签或其他辅助信息.传统GAN都是学习一个生成式模型来把隐变量分布映射到复杂真实数据分布上, Donahue等[33]提出一种Bidirectional GANs (BiGANs) 来实现将复杂数据映射到隐变量空间, 从而实现特征学习.除了GAN的基本框架, BiGANs额外加入了一个解码器$Q$用于将真实数据$x$映射到隐变量空间, 其优化问题转换为$\displaystyle\mathop{\mathrm{min}}\limits_{G, Q} \displaystyle\mathop{\mathrm{max}}\limits_{D}f (D, Q, G)$.
InfoGAN[34]是GAN的另一个重要扩展. GAN能够学得有效的语义特征, 但是输入噪声变量$z$的特定变量维数和特定语义之间的关系不明确, 而InfoGAN能够获取输入的隐层变量和具体语义之间的互信息.具体实现就是把生成器$G$的输入分为两部分$z$和$c$, 这里$z$和GAN的输入一致, 而$c$被称为隐码, 这个隐码用于表征结构化隐层随机变量和具体特定语义之间的隐含关系. GAN设定了$p_{G}(x)=p_{G}(x|c)$, 而实际上$c$与$G$的输出具有较强的相关性.用$G (z, c)$来表示生成器的输出, 作者[34]提出利用互信息$I (c; G (z, c))$来表征两个数据的相关程度, 用目标函数
$ \mathop {{\rm{min}}}\limits_G \mathop {{\rm{max}}}\limits_D \{ {f_I}(D, G) = f(D, G)-\lambda I(c;G(z, c))\} $
(6) 来建模求解, 这里由于后验概率$p (c|x)$不能直接获取, 需要引入变分分布来近似后验的下界来求得最优解.
Odena等[35]提出的Auxiliary Classifier GAN (AC-GAN) 可以实现多分类问题, 它的判别器输出相应的标签概率.在实际训练中, 目标函数则包含真实数据来源的似然和正确分类标签的似然, 不再单独由判别器二分类损失来反传调节参数, 可以进一步调节损失函数使得分类正确率更高, AC-GAN的关键是可以利用输入生成器的标注信息来生成对应的图像标签, 同时还可以在判别器扩展调节损失函数, 从而进一步提高对抗网络的生成和判别能力.
考虑到GAN的输出为连续实数分布而无法产生离散空间的分布, Yu等[6]提出了一种能够生成离散序列的生成式模型Seq-GAN.他们用RNN实现生成器$G$, 用CNN实现判别器$D$, 用$D$的输出判别概率通过增强学习来更新$G$.增强学习中的奖励通过$D$来计算, 对于后面可能的行为采用了蒙特卡洛搜索实现, 计算$D$的输出平均作为奖励值反馈.
3. GAN的应用领域
作为一个具有“无限”生成能力的模型, GAN的直接应用就是建模, 生成与真实数据分布一致的数据样本, 例如可以生成图像、视频等. GAN可以用于解决标注数据不足时的学习问题, 例如无监督学习、半监督学习等. GAN还可以用于语音和语言处理, 例如生成对话、由文本生成图像等.本节从图像和视觉、语音和语言、其他领域三个方面来阐述GAN的应用.
3.1 图像和视觉领域
GAN能够生成与真实数据分布一致的图像.一个典型应用来自Twitter公司, Ledig等[36]提出利用GAN来将一个低清模糊图像变换为具有丰富细节的高清图像.作者用VGG网络[37]作为判别器, 用参数化的残差网络[19]表示生成器, 实验结果如图 4所示, 可以看到GAN生成了细节丰富的图像.
GAN也开始用于生成自动驾驶场景. Santana等[38]提出利用GAN来生成与实际交通场景分布一致的图像, 再训练一个基于RNN的转移模型实现预测的目的, 实验结果如图 5所示. GAN可以用于自动驾驶中的半监督学习或无监督学习任务, 还可以利用实际场景不断更新的视频帧来实时优化GAN的生成器.
Gou等[39-40]提出利用仿真图像和真实图像作为训练样本来实现人眼检测, 但是这种仿真图像与真实图像存在一定的分布差距. Shrivastava等[41]提出一种基于GAN的方法 (称为SimGAN), 利用无标签真实图像来丰富细化仿真图像, 使得合成图像更加真实.作者引入一个自正则化项来实现最小化合成误差并最大程度保留仿真图像的类别, 同时利用加入的局部对抗损失函数来对每个局部图像块进行判别, 使得局部信息更加丰富.
3.2 语音和语言领域
目前已经有一些关于GAN的语音和语言处理文章. Li等[5]提出用GAN来表征对话之间的隐式关联性, 从而生成对话文本. Zhang等[42]提出基于GAN的文本生成, 他们用CNN作为判别器, 判别器基于拟合LSTM的输出, 用矩匹配来解决优化问题; 在训练时, 和传统更新多次判别器参数再更新一次生成器不同, 需要多次更新生成器再更新CNN判别器. SeqGAN[6]基于策略梯度来训练生成器$G$, 策略梯度的反馈奖励信号来自于生成器经过蒙特卡洛搜索得到, 实验表明SeqGAN在语音、诗词和音乐生成方面可以超过传统方法. Reed等[43]提出用GAN基于文本描述来生成图像, 文本编码被作为生成器的条件输入, 同时为了利用文本编码信息, 也将其作为判别器特定层的额外信息输入来改进判别器, 判别是否满足文本描述的准确率, 实验结果表明生成图像和文本描述具有较高相关性.
3.3 其他领域
除了将GAN应用于图像和视觉、语音和语言等领域, GAN还可以与强化学习相结合, 例如前述的SeqGAN[6].还有研究者将GAN和模仿学习融合[44-45]、将GAN和Actor-critic方法结合[46]等. Hu等[7]提出MalGAN帮助检测恶意代码, 用GAN生成具有对抗性的病毒代码样本, 实验结果表明基于GAN的方法可以比传统基于黑盒检测模型的方法性能更好. Childambaram等[8]基于风格转换提出了一个扩展GAN的生成器, 用判别器来正则化生成器而不是用一个损失函数, 用国际象棋实验示例证明了所提方法的有效性.
4. GAN的思考与展望
4.1 GAN的意义和优点
GAN对于生成式模型的发展具有重要的意义. GAN作为一种生成式方法, 有效解决了可建立自然性解释的数据的生成难题.尤其对于生成高维数据, 所采用的神经网络结构不限制生成维度, 大大拓宽了生成数据样本的范围.所采用的神经网络结构能够整合各类损失函数, 增加了设计的自由度. GAN的训练过程创新性地将两个神经网络的对抗作为训练准则并且可以使用反向传播进行训练, 训练过程不需要效率较低的马尔科夫链方法, 也不需要做各种近似推理, 没有复杂的变分下界, 大大改善了生成式模型的训练难度和训练效率. GAN的生成过程不需要繁琐的采样序列, 可以直接进行新样本的采样和推断, 提高了新样本的生成效率.
对抗训练方法摒弃了直接对真实数据的复制或平均, 增加了生成样本的多样性. GAN在生成样本的实践中, 生成的样本易于人类理解.例如, 能够生成十分锐利清晰的图像, 为创造性地生成对人类有意义的数据提供了可能的解决方法.
GAN除了对生成式模型的贡献, 对于半监督学习也有启发. GAN学习过程中不需要数据标签.虽然GAN提出的目的不是半监督学习, 但是GAN的训练过程可以用来实施半监督学习中无标签数据对模型的预训练过程.具体来说, 先利用无标签数据训练GAN, 基于训练好的GAN对数据的理解, 再利用小部分有标签数据训练判别器, 用于传统的分类和回归任务.
4.2 GAN的缺陷和发展趋势
GAN虽然解决了生成式模型的一些问题, 并且对其他方法的发展具有一定的启发意义, 但是GAN并不完美, 它在解决已有问题的同时也引入了一些新的问题. GAN最突出的优点同时也是它最大的问题根源. GAN采用对抗学习的准则, 理论上还不能判断模型的收敛性和均衡点的存在性.训练过程需要保证两个对抗网络的平衡和同步, 否则难以得到很好的训练效果.而实际过程中两个对抗网络的同步不易把控, 训练过程可能不稳定.另外, 作为以神经网络为基础的生成式模型, GAN存在神经网络类模型的一般性缺陷, 即可解释性差.另外, GAN生成的样本虽然具有多样性, 但是存在崩溃模式 (Collapse mode) 现象[4], 可能生成多样的, 但对于人类来说差异不大的样本.
虽然GAN存在这些问题, 但不可否认的是, GAN的研究进展表明它具有广阔的发展前景.例如, Wasserstein GAN[29]彻底解决了训练不稳定问题, 同时基本解决了崩溃模式现象.如何彻底解决崩溃模式并继续优化训练过程是GAN的一个研究方向.另外, 关于GAN收敛性和均衡点存在性的理论推断也是未来的一个重要研究课题.以上研究方向是为了更好地解决GAN存在的缺陷.从发展应用GAN的角度, 如何根据简单随机的输入, 生成多样的、能够与人类交互的数据, 是近期的一个应用发展方向.从GAN与其他方法交叉融合的角度, 如何将GAN与特征学习、模仿学习、强化学习等技术更好地融合, 开发新的人工智能应用或者促进这些方法的发展, 是很有意义的发展方向.从长远来看, 如何利用GAN推动人工智能的发展与应用, 提升人工智能理解世界的能力, 甚至激发人工智能的创造力是值得研究者思考的问题.
4.3 GAN与平行智能的关系
王飞跃研究员[47-48]于2004年提出了复杂系统建模与调控的ACP (Artificial societies, computational experiments, and parallel execution) 理论和平行系统方法.平行系统强调虚实互动, 构建人工系统来描述实际系统, 利用计算实验来学习和评估各种计算模型, 通过平行执行来提升实际系统的性能, 使得人工系统和实际系统共同推进[49-50]. ACP理论和平行系统方法目前已经发展为更广义的平行智能理论[51]. GAN训练中真实的数据样本和生成的数据样本通过对抗网络互动, 并且训练好的生成器能够生成比真实样本更多的虚拟样本. GAN可以深化平行系统的虚实互动、交互一体的理念. GAN作为一种有效的生成式模型, 可以融入到平行智能研究体系.本节从以下几个方面讨论GAN与平行智能的关系.
4.3.1 GAN与平行视觉
平行视觉[52]是ACP理论在视觉计算领域的推广, 其基本框架与体系结构如图 6所示.平行视觉结合计算机图形学、虚拟现实、机器学习、知识自动化等技术, 利用人工场景、计算实验、平行执行等理论和方法, 建立复杂环境下视觉感知与理解的理论和方法体系.平行视觉利用人工场景来模拟和表示复杂挑战的实际场景, 使采集和标注大规模多样性数据集成为可能, 通过计算实验进行视觉算法的设计与评估, 最后借助平行执行来在线优化视觉系统.其中产生虚拟的人工场景便可以采用GAN实现, 如图 5所示. GAN能够生成大规模多样性的图像数据集, 与真实数据集结合起来训练视觉模型, 有助于提高视觉模型的泛化能力.
4.3.2 GAN与平行控制
平行控制[53-55]是一种反馈控制, 是ACP理论在复杂系统控制领域的具体应用, 其结构如图 7所示.平行控制核心是利用人工系统进行建模和表示, 通过计算实验进行分析和评估, 最后以平行执行实现对复杂系统的控制.除了人工系统的生成和计算实验的分析, 平行控制中的人工系统和实际系统平行执行的过程也利用GAN进行模拟, 一方面可以进行人工系统的预测学习和实际系统的反馈学习, 另一方面可以进行控制单元的模拟学习和强化学习.
4.3.3 GAN与平行学习
平行学习[56]是一种新的机器学习理论框架, 是ACP理论在学习领域的体现, 其理论框架如图 8所示.平行学习理论框架强调:使用预测学习解决如何随时间发展对数据进行探索; 使用集成学习解决如何在空间分布上对数据进行探索; 使用指示学习解决如何探索数据生成的方向.平行学习作为机器学习的一个新型理论框架, 与平行视觉和平行控制关系密切. GAN在大数据生成、基于计算实验的预测学习等方面都可以和平行学习结合发展.
5. 结论
本文综述了生成式对抗网络GAN的研究进展. GAN提出后, 立刻受到了人工智能研究者的重视. GAN的基本思想源自博弈论的二人零和博弈, 由一个生成器和一个判别器构成, 通过对抗学习的方式来迭代训练, 逼近纳什均衡. GAN作为一种生成式模型, 不直接估计数据样本的分布, 而是通过模型学习来估测其潜在分布并生成同分布的新样本.这种从潜在分布生成“无限”新样本的能力, 在图像和视觉计算、语音和语言处理、信息安全等领域具有重大的应用价值.
本文还展望了GAN的发展趋势, 重点讨论了GAN与平行智能的关系, 认为GAN可以深化平行系统的虚实互动、交互一体的理念, 为ACP理论提供具体和丰富的算法支持.在平行视觉、平行控制、平行学习等若干平行系统中, GAN可以通过生成与真实数据同分布的数据样本, 来支持平行系统的理论和应用研究.因此, GAN作为一种有效的生成式模型, 可以融入到平行智能的研究体系.
-
图 1 多元分布比较图(常数取${C}_i=1$, $i=1, 2, 3$)
Fig. 1 The comparison chart of the multivariate distribution (where the constants are ${ C}_{i}=1$, $i=1, 2, 3$)
图 2 不同参数$\mu_{{c}}$和$\rho$值下的SMED$_{11}$算法收敛值曲线
Fig. 2 Convergence curves of SMED$_{11}$ algorithm on AR with different regularization parameters $\mu_{{c}}$ and $\rho$
图 3 不同光照影响及墨镜和围巾遮挡下的人脸重构性能对比
Fig. 3 The reconfiguration performance contrast of different algorithms under illuminition changes and sunglass or scraf occlusion
图 4 不同像素污损程度下的人脸识别率对比
Fig. 4 Comparison of recognition rates under the different pixel corruption levels
图 5 不同遮挡程度下的人脸识别率对比
Fig. 5 Comparison of recognition rates under the different occlusion levels
图 6 PubFig中1人的训练样本和测试样本示例图
Fig. 6 Sample images for one person from PubFig face database
表 1 AR人脸库真实影响下不同算法的识别率对比(%)
Table 1 Comparison of recognition rates on AR database (%)
算法 光照影响 墨镜遮挡 围巾遮挡 SMED$_{11}$ 95.83 74.66 67.64 SMED$_{1/21}$ 91.93 77.17 69.83 SMED$_{3/22}$ 93.16 72.67 60.33 SRC 90.50 68.83 55.83 CRC 95.33 69.67 63.50 RRC 88.17 71.16 69.83 FFS 83.00 65.50 50.83 HQ_A 87.83 70.00 44.50 HQ_M 93.51 75.83 48.93 
下载: 导出CSV
表 2 AR数据库中各算法测试时间对比(s)
Table 2 Running time of competing algorithms on AR database (s)
分类器 测试时间 SMED$_{11}$ 0.1703 SMED$_{1/21}$ 0.1748 SMED$_{3/22}$ 0.1648 SRC 0.0917 CRC 0.0041 RRC 3.2165 FFS 0.1738 HQ_A 4.3898 HQ_M 13.2725
下载: 导出CSV
表 3 ExYaleB、PubFig数据库中各算法测试时间对比(s)
Table 3 Running time of competing algorithms on ExYaleB, PubFig database (s)
分类器 测试时间 ExYaleB ExYaleB ExYaleB ExYaleB PubFig (白色遮挡) (黑色遮挡) (baboon遮挡) (鲜花遮挡) SMED$_{11}$ 0.2429 0.2508 0.2191 0.2376 1.6705 SMED$_{1/21}$ 0.3450 0.2452 0.2561 0.2445 1.7864 SMED$_{3/22}$ 0.2638 0.2435 0.2318 0.2186 1.6425 CRC 0.0037 0.0045 0.0031 0.0035 0.0152 RRC 0.2510 0.2370 0.2426 0.2375 2.5819 CESR 0.3244 0.1276 0.2966 0.2240 2.3499 HQ_M 12.2049 11.7532 12.3732 11.6457 6.8705
下载: 导出CSV
-
[1] Jalali S, Poor H V. Universal compressed sensing for almost lossless recovery. IEEE Transactions on Information Theory, 2017, 63(5): 2933-2953 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=bf10e8c14dfa411302b59ddd62239924 [2] Hyder M, Mahata K. An approximate L0 norm minimization algorithm for compressed sensing. In: Proceedings of the 2009 IEEE International Conference on Acoustics, Speech, and Signal Processing. Taipei, China: IEEE, 2009. 3365-3368 https://www.researchgate.net/publication/224461335_An_approximate_L0_norm_minimization_algorithm_for_compressed_sensing [3] Wright J, Yang A Y, Ganesh A, Sastry S S, Ma Y. Robust face recognition via sparse representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227 doi: 10.1109/TPAMI.2008.79 [4] Yang J, Zhang L, Xu Y, Yang J Y. Beyond sparsity: the role of L1-optimizer in pattern classification. Pattern Recognition, 2012, 45(3): 1104-1118 doi: 10.1016/j.patcog.2011.08.022 [5] Zhang L, Yang M, Feng X C. Sparse representation or collaborative representation: which helps face recognition? In: Proceedings of the 2011 IEEE International Conference on Computer Vision (ICCV). Barcelona, Spain: IEEE, 2011. 471-478 https://www.researchgate.net/publication/221111435_Sparse_Representation_or_Collaborative_Representation_Which_Helps_Face_Recognition [6] Zhang H M, Yang J, Xie J C, Qian J J, Zhang B. Weighted sparse coding regularized nonconvex matrix regression for robust face recognition. Information Sciences, 2017, 394-395: 1-17 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=c078613f1e6f52a08b1bba4b4f4be933 [7] Yang G, Wang Y, Guo L. A sparser reduced set density estimator by introducing weighted l1 penalty term. Pattern Recognition Letters, 2015, 58: 15-22 doi: 10.1016/j.patrec.2015.01.016 [8] Liu C L, Hsaio W H, Xiao B, Chen C Y, Wu W L. Maximum-margin sparse coding. Neurocomputing, 2017, 238: 340-350 doi: 10.1016/j.neucom.2017.01.071 [9] Lu C W, Shi J P, Jia J Y. Online robust dictionary learning. In: Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR, USA: IEEE, 2013. 415-422 https://www.researchgate.net/publication/261479300_Online_Robust_Dictionary_Learning [10] Naseem I, Togneri R, Bennamoun M. Linear regression for face recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(11): 2106-2112 doi: 10.1109/TPAMI.2010.128 [11] Naseem I, Togneri R, Bennamoun M. Robust regression for face recognition. Pattern Recognition, 2012, 45(1): 104-118 http://d.old.wanfangdata.com.cn/OAPaper/oai_pubmedcentral.nih.gov_3413675 [12] Yang M, Zhang L, Yang J, Zhang D. Robust sparse coding for face recognition. In: Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Colorado Springs, CO, USA: IEEE, 2011. 625-632 https://www.researchgate.net/publication/224254772_Robust_sparse_coding_for_face_recognition [13] Yang M, Zhang L, Yang J, Zhang D. Regularized robust coding for face recognition. IEEE Transactions on Image Processing, 2013, 22(5): 1753-1766 doi: 10.1109/TIP.2012.2235849 [14] He R, Zheng W S, Hu B G. Maximum correntropy criterion for robust face recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(8): 1561-1576 doi: 10.1109/TPAMI.2010.220 [15] He R, Zheng W S, Tan T N, Sun Z N. Half-quadratic-based iterative minimization for robust sparse representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(2): 261-275 doi: 10.1109/TPAMI.2013.102 [16] He R, Zheng W S, Hu B G, Kong X W. Two-stage nonnegative sparse representation for large-scale face recognition. IEEE Transactions on Neural Networks and Learning Systems, 2013, 24(1): 35-46 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=b50eb274beaffb3f9113cf3d0d7c964d [17] Kibria B M G, Haq M S. The multivariate linear model with matric-T error variables. Journal of Applied Statistical Sciences, 2000, 9(4): 277-290 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=10.1177/001316446202200205 [18] Basu S, Micchelli C A, Olsen P. Power exponential densities for the training and classification of acoustic feature vectors in speech recognition. Journal of Computational and Graphical Statistics, 2001, 10(1): 158-184 doi: 10.1198/10618600152418818 [19] Liu M H. Multivariate Nonnormal Regression Models, Information Complexity, and Genetic Algorithms: A Three Way Hybrid for Intelligent Data Mining [Ph. D. dissertation]. University of Tennessee, USA, 2006. [20] Balakrishnan N, Hashorva E. Scale mixtures of Kotz–dirichlet distributions. Journal of Multivariate Analysis, 2013, 113: 48-58 doi: 10.1016/j.jmva.2011.08.012 [21] Abdous B, Genest C, Rémillard B. Dependence properties of meta-elliptical distributions. Statistical Modeling and Analysis for Complex Data Problems. Boston, MA, USA: Springer, 2005. 1-15 [22] Long C, You D H, Hu J, Wang G, Dong M L. Quick and effective multiple contingency screening algorithm based on long-tailed distribution. IET Generation, Transmission and Distribution, 2016, 10(1): 257-262 doi: 10.1049/iet-gtd.2015.0885 [23] Chong C. Stochastic PDEs with heavy-tailed noise. Stochastic Processes and Their Applications, 2017, 127(7): 2262- 2280 doi: 10.1016/j.spa.2016.10.011 [24] Sun Y, Babu P, Palomar D P. Robust estimation of structured covariance matrix for heavy-tailed elliptical distributions. IEEE Transactions on Signal Processing, 2016, 64(14): 3576-3590 doi: 10.1109/TSP.2016.2546222 [25] Liu M H, Bozdogan H. Multivariate regression models with power exponential random errors and subset selection using genetic algorithms with information complexity. European Journal of Pure and Applied Mathematics, 2008, 1(1): 4-37 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=Open J-Gate000001561206 [26] Sun Y, Babu P, Palomar D P. Robust estimation of structured covariance matrix for heavy-tailed distributions. In: Proceedings of the 2015 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Brisbane, QLD, Australia: IEEE, 2015. 5693-5697 http://www.oalib.com/paper/4116400 [27] Fang K T, Anderson T W. Statistical Inference in Elliptically Contoured and Related Distributions. New York, USA: Allerton Press, 1990. [28] Zhao T, Liu H. Calibrated precision matrix estimation for high-dimensional elliptical distributions. IEEE Transactions on Information Theory, 2014, 60(12): 7874-7887 doi: 10.1109/TIT.2014.2360980 [29] Díaz-García J A, Gutiérrez-Jáimez R. Compound and scale mixture of matricvariate and matrix variate Kotz-type distributions. Journal of the Korean Statistical Society, 2010, 39(1): 75-82 doi: 10.1016/j.jkss.2009.04.004 [30] Wai P S, Kun S S, Ismail M T, Ariffin S, Karim A. Model performance between linear vector autoregressive and Markov switching vector autoregressive models on modelling structural change in time series data. In: Proceedings of the 2015 International Symposium on Mathematical Sciences and Computing Research (iSMSC). Ipon, Malaysia: IEEE, 2015. 379-383 https://ieeexplore.ieee.org/document/7594083/ [31] Hsu D, Kakade S M, Zhang T. Robust matrix decomposition with sparse corruptions. IEEE Transactions on Information Theory, 2011, 57(11): 7221-7234 doi: 10.1109/TIT.2011.2158250 [32] Lai M J, Xu Y Y, Yin W T. Improved iteratively reweighted least squares for unconstrained smoothed ℓq minimization. SIAM Journal on Numerical Analysis, 2013, 51(2): 927-957 doi: 10.1137/110840364 [33] Li W Y. Visualizing network communities with a semi-definite programming method. Information Sciences, 2015, 321: 1-13 doi: 10.1016/j.ins.2015.05.037 [34] Lin Q H, Xiao L. An adaptive accelerated proximal gradient method and its homotopy continuation for sparse optimization. Computational Optimization and Applications, 2015, 60(3): 633-674 doi: 10.1007/s10589-014-9694-4 [35] Goldstein T, O'Donoghue B, Setzer S, Baraniuk R. Fast alternating direction optimization methods. SIAM Journal on Imaging Sciences, 2014, 7(3): 1588-1623 doi: 10.1137/120896219 [36] 许凯, 吴小俊, 尹贺峰.基于分布式低秩表示的子空间聚类算法.计算机研究与发展, 2016, 53(7): 1605-1611 http://d.old.wanfangdata.com.cn/Periodical/jsjyjyfz201607018Xu Kai, Wu Xiao-Jun, Yin He-Feng. Distributed low rank representation-based subspace clustering algorithm. Journal of Computer Research and Development, 2016, 53(7): 1605 -1611 http://d.old.wanfangdata.com.cn/Periodical/jsjyjyfz201607018 [37] Barrah E M, Safi S, Malaoui A. New technique for face recognition based on singular value decomposition (SVD). In: Proceedings of the 2nd International Conference on Cloud Computing Technologies and Applications (CloudTech). Marrakech, Morocco: IEEE, 2016. 96-99 https://www.researchgate.net/publication/313545436_New_technique_for_face_recognition_based_on_Singular_Value_Decomposition_SVD [38] Chen K, Lv Q, Lu Y, Dou Y. Robust regularized extreme learning machine for regression using iteratively reweighted least squares. Neurocomputing, 2017, 230: 345-358 doi: 10.1016/j.neucom.2016.12.029 [39] 李波, 卢春园, 冷成财, 金连宝.基于局部图拉普拉斯约束的鲁棒低秩表示聚类方法.自动化学报, 2015, 41(11): 1971-1980 http://www.aas.net.cn/CN/abstract/abstract18771.shtmlLi Bo, Lu Chun-Yuan, Leng Cheng-Cai, Jin Lian-Bao. Robust low rank subspace clustering based on local graph Laplace constraint. Acta Automatica Sinica, 2015, 41(11): 1971-1980 http://www.aas.net.cn/CN/abstract/abstract18771.shtml [40] Benner P, Li R C, Truhar N. On the ADI method for Sylvester equations. Journal of Computational and Applied Mathematics, 2009, 233(4): 1035-1045 http://d.old.wanfangdata.com.cn/OAPaper/oai_arXiv.org_1201.4779 [41] Boyd S, Vandenberghe L. Convex Optimization. Cambridge, UK: Cambridge University Press, 2009. [42] Marshall A W, Olkin I, Arnold B C. Inequalities: Theory of Majorization and Its Applications (2nd edition). New York: Springer, 2011. [43] Lee K C, Ho J, Kriegman D J. Acquiring linear subspaces for face recognition under variable lighting. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(5): 684-698 doi: 10.1109/TPAMI.2005.92 [44] Kumar N, Berg A C, Belhumeur P N, Nayar S K. Attribute and simile classifiers for face verification. In: Proceedings of the 12th IEEE International Conference on Computer Vision. Kyoto, Japan: IEEE, 2009. 365-372 [45] Wu J X, Brubaker S C, Mullin M D, Rehg J M. Fast asymmetric learning for cascade face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(3): 369-382 doi: 10.1109/TPAMI.2007.1181 [46] Gu J, Hu H, Li H. Local robust sparse representation for face recognition with single sample per person. IEEE/CAA Journal of Automatica Sinica, 2018, 5(2): 547-554 doi: 10.1109/JAS.2017.7510658 期刊类型引用(337)
1. 王靖，何强，冯晨，亢丽君，朱燕梅，张阳博. 面向光伏出力不确定性的混蓄电站运行方式研究. 人民长江. 2025(01): 212-221 . 
百度学术2. 顾正道，赵喆熙. 人工智能驱动下的非遗传统纹样生成研究——以包装设计中的创新应用为例. 绿色包装. 2025(01): 188-191 . 百度学术3. 李猛，董红斌. 单样本条件下邻域选择聚合零次知识图谱链接预测方法. 计算机应用研究. 2025(01): 65-70 . 百度学术4. 邓文文，徐海洋，申艺. 基于扩张卷积自编码器的时序数据增强方法. 信息技术与信息化. 2025(01): 129-132 . 百度学术5. 黎明，张益欣. 数字时代的谎言：虚假信息的识别与法律治理的向度. 昆明理工大学学报(社会科学版). 2025(01): 1-9 . 百度学术6. 张裕松，黄鑫龙，周浩，戴智斌，袁国武. 基于Unet++GAN的天文图像混合退化复原. 计算机应用与软件. 2025(02): 264-269+360 . 百度学术7. 窦亚珍. 面向深度学习的动态数据脱敏技术研究. 电脑编程技巧与维护. 2025(02): 125-128 . 百度学术8. 喻国明，苏健威，张恩雨. 论生成式AI时代的用户需求与表达范式——从分众匹配到层级递进的要素融合网络. 新闻与传播评论. 2024(01): 5-14 . 百度学术9. 甘纪强，王小平. 基于虚拟样本生成的铺丝表面缺陷检测. 航空学报. 2024(01): 267-281 . 百度学术10. 郝鹏飞，李瑶，柴蕊，裴晓娟，于哲，李庆雨，陈曦，张克. CycleGAN、ACGAN在人工智能医疗器械数据增广中的应用. 中国医疗设备. 2024(02): 52-56+69 . 百度学术11. 汤健，郭海涛，夏恒，王鼎，乔俊飞. 面向工业过程的图像生成及其应用研究综述. 自动化学报. 2024(02): 211-240 . 本站查看12. 陈祝云，焦健，纪传鹏，许维冬，贺毅，万海洋. 基于卷积对抗自编码网络的轴承早期故障检测方法. 机电工程技术. 2024(02): 1-7 . 百度学术13. 毕文豪，张梦琦，高飞，杨咪，张安. 无人机集群任务分配技术研究综述. 系统工程与电子技术. 2024(03): 922-934 . 百度学术14. 江善和，李伟，徐小艳，王德凯. 基于变分模态分解改进生成对抗网络的短期风电功率预测. 综合智慧能源. 2024(02): 28-35 . 百度学术15. 何柳，张咏鸥. 基于CNN和DCGAN的小样本船舶辐射噪声识别方法. 武汉理工大学学报(交通科学与工程版). 2024(01): 91-96 . 百度学术16. 王中行，周元贵，张学广. 基于人工智能算法的风电机组状态监测和故障诊断技术研究综述. 东北电力大学学报. 2024(01): 42-51 . 百度学术17. 郭海涛，汤健，丁海旭，乔俊飞. 基于混合数据增强的MSWI过程燃烧状态识别. 自动化学报. 2024(03): 560-575 . 本站查看18. 王成磊，匡熠，濮永现，唐岚，黄力文，束洪春. 基于改进生成对抗网络场景生成的长-短期储能优化配置. 高电压技术. 2024(03): 1131-1144 . 百度学术19. 魏杨沁，郭庆，许洁，张鹏，邹金霖. 无人机协同定位防欺骗的WGAN-TM识别方法. 电光与控制. 2024(04): 49-54 . 百度学术20. 李津. 图像生成技术在美术课程教育中的应用. 美术教育研究. 2024(08): 154-156+175 . 百度学术21. 崔东浩，张华亮. 基于平行智能的社区场馆教育功能优化的研究. 成人教育. 2024(05): 31-38 . 百度学术22. 任渊，李英健，王永生，刘广文，张建兵. AIops智能运维在IT系统中的应用发展. 智能城市. 2024(04): 4-7 . 百度学术23. 邵帅，李思敏，广田薰，戴亚平. 一种用于“远程课堂”的学生听课专注度自动评估方法. 北京理工大学学报. 2024(05): 530-537 . 百度学术24. 丁习文，程宏昌，苏悦，闫磊，杨晔，党小刚. 基于DCGAN的紫外像增强器视场瑕疵图片的生成. 红外技术. 2024(05): 608-616 . 百度学术25. 阮光册，钟静涵，张祎笛. 基于深度学习的术语识别研究综述. 数据分析与知识发现. 2024(04): 64-75 . 百度学术26. 胡安琪. AIGC驱动下图书馆智慧服务生态模式构建与实现路径研究. 图书馆理论与实践. 2024(03): 68-77 . 百度学术27. 郭海涛，汤健，夏恒，乔俊飞. 城市固废焚烧过程燃烧线极端异常火焰图像对抗生成. 中国电机工程学报. 2024(11): 4376-4387 . 百度学术28. 彭兰. 智能传播中的人类行动者. 西北师大学报(社会科学版). 2024(04): 25-35 . 百度学术29. 郭香兰，王立，金学波，于家斌，白玉廷，李涵宇，隗立昂，马倩，温浩然. 基于生成对抗网络和深度森林结合的粮食加工过程污染物小样本数据扩充及预测. 食品科学. 2024(12): 22-30 . 百度学术30. 李冬伟，杨学森，崔迪凡，燕飞，谢晓爽. 面向电力现货市场的缺失数据重建方法综述. 电工电气. 2024(06): 1-9 . 百度学术31. 林志灿. 基于生成对抗技术的可见光到近红外人脸图像转换技术. 惠州学院学报. 2024(03): 16-21 . 百度学术32. 金雅庆，杨心冉. 人工智能时代对艺术设计的影响及应对策略. 工业设计. 2024(06): 44-47 . 百度学术33. 方伟，张婷婷，谭凯文，汤淼. 基于差分窗口生成式对抗网络的空战态势评估. 系统工程与电子技术. 2024(08): 2738-2746 . 百度学术34. 李永燕，叶伟，金雪军. 基于Pix2pix模型的继电器动作状态识别方法研究. 铁道通信信号. 2024(08): 16-21 . 百度学术35. 孙刚，王振振. “点”燃智慧“引擎” 让烟草物流智享未来. 中国物流与采购. 2024(14): 45-46 . 百度学术36. 高港，魏利胜，朱圣博. 正负样本差异特征双径向融合的自监督缺陷检测方法. 电子测量与仪器学报. 2024(05): 201-209 . 百度学术37. 姚放. 浅谈人工智能在装饰雕塑课程中的运用与规范. 艺术市场. 2024(08): 79-81 . 百度学术38. 陈芷钰，杨梦宁，曹一，张芯语. 基于生成式人工智能的住宅家具布置方法. 居舍. 2024(26): 7-9 . 百度学术39. 宁泽惺，袁德成. 基于条件约束下的自注意力生成对抗网络的图像修复. 沈阳化工大学学报. 2024(01): 90-96 . 百度学术40. 李桌汉，有移亮，赵子华，骆红云，吴素君，张峥，钟群鹏. 人工智能技术在失效分析领域的应用. 航空材料学报. 2024(05): 1-16 . 百度学术41. 肖建，张玉安，刘君毅，姚添，宋仁德. 基于GAN-BPNN的牦牛动态体重测量算法研究. 中国农机化学报. 2024(11): 150-158 . 百度学术42. 张嘉豪，王玮，刘溢丹. AIGC在包装创意设计中的创新应用与实践. 家具. 2024(06): 85-90+114 . 百度学术43. 焦枫媛，杨志秀，石韶杰，曹卫国. 基于生成对抗网络的低剂量CT图像降噪方法（英文）. Journal of Measurement Science and Instrumentation. 2024(04): 490-498 . 百度学术44. 吴頔，陆海峰，漆艺. 基于生成式人工智能的开放教育问答系统设计. 智能物联技术. 2024(06): 69-72 . 百度学术45. 王哲，陈峤鹰，李青，傅哲，张斌，文宇阳. 基于对抗生成网络的矿井烟火安全预警检测算法研究. 煤矿机电. 2024(06): 7-11+28 . 百度学术46. 郑宗生，周文睆，王政翰，高萌，霍志俊，张月维. 基于物理约束和云图生成的台风等级预测方法. 激光与光电子学进展. 2024(24): 254-262 . 百度学术47. 孔锐，蔡佳纯，黄钢，张冰. 基于复合生成对抗网络的对抗样本生成算法研究. 控制与决策. 2023(02): 528-536 . 百度学术48. 张秀峰，李永鑫，王苇，瞿航. 生成对抗网络磨玻璃样肺结节分割方法. 无线电工程. 2023(01): 161-167 . 百度学术49. 朱浩，李丽. 邮政详情单项目中图像生成算法探究. 邮政研究. 2023(01): 20-25 . 百度学术50. 周俊炎，王竟成，杨小奎，舒畅，王津梅，张宸. 基于GAN的小样本腐蚀失厚率数据增强方法. 装备环境工程. 2023(01): 142-150 . 百度学术51. 赵亚丽，余正涛，郭军军，高盛祥，相艳. 基于情感语义对抗的跨语言情感分类模型. 计算机工程与科学. 2023(02): 338-345 . 百度学术52. 邵振国，张承圣，陈飞雄，谢雨寒. 生成对抗网络及其在电力系统中的应用综述. 中国电机工程学报. 2023(03): 987-1004 . 百度学术53. 司伟伟，岑健，伍银波，胡学良，何敏赞，杨卓洪，陈红花. 小样本轴承故障诊断研究综述. 计算机工程与应用. 2023(06): 45-56 . 百度学术54. 孙刚，姚利军，王玲玲，符利军. 试论烟草行业的数字化转型与创新. 中国物流与采购. 2023(06): 59-60 . 百度学术55. 邵旭东，樊志杰，张敬锋，曹志威，周明富，熊已兴，张林. 基于流式处理架构的日志采集系统的设计与实现. 计算机测量与控制. 2023(04): 272-280 . 百度学术56. 周美丽，屈佳佳. 基于注意力机制的循环一致性生成对抗网络. 延安大学学报(自然科学版). 2023(01): 14-19 . 百度学术57. 陈丽，方梓涵，梅立泉. 基于GAN的直扩信号生成算法. 系统工程与电子技术. 2023(05): 1544-1552 . 百度学术58. 徐鹏，张飞龙，杜景勃. 深度学习方法在能源负荷预测的应用. 煤气与热力. 2023(04): 1-14 . 百度学术59. 于文家，胡晓青，韩国璇，左昱昊. 基于条件生成对抗网络的图像超分辨率重建研究. 信息技术与信息化. 2023(05): 27-30 . 百度学术60. 魏贺，刘昊飞，许丹丹，韩雪华，王良，张晓东. 双层规划在城市交通领域研究与应用的系统综述. 运筹学学报. 2023(02): 1-26 . 百度学术61. 谢智东，谭信，袁昕旺，杨刚，韩裕. 基于生成对抗数据增强支持向量机的小样本信号调制识别算法. 电子与信息学报. 2023(06): 2071-2080 . 百度学术62. 尚凡成，李传庆，詹可，朱仁传. 改进LSTM神经网络在极短期波浪时序预报中的应用. 上海交通大学学报. 2023(06): 659-665 . 百度学术63. 屈丹，杨绪魁，闫红刚，陈雅淇，牛铜. 低资源少样本连续语音识别最新进展. 郑州大学学报(工学版). 2023(04): 1-9 . 百度学术64. 于浩，张文兰，杨雪琼. 生成式人工智能在教育领域的应用、问题与展望. 中国成人教育. 2023(07): 30-36 . 百度学术65. 陈垦，王世法，谭屈山，何富勇，王俊，雷达，焦育威，杨岚，杨洋，李伟，曹堃，胡思源. 高速公路无线施工视频监控、图像处理及编码技术综述. 无线电工程. 2023(08): 1815-1828 . 百度学术66. 孙显文，张闯. 基于生成对抗网络的深度图像去噪. 计算机应用与软件. 2023(07): 244-249 . 百度学术67. Hongyi Lin，Yang Liu，Shen Li，Xiaobo Qu. How Generative Adversarial Networks Promote the Development of Intelligent Transportation Systems: A Survey. IEEE/CAA Journal of Automatica Sinica. 2023(09): 1781-1796 . 必应学术68. 邹帅，钟方伟. 基于Triple-Gan模型视觉平台的建设探析. 电脑知识与技术. 2023(19): 56-59 . 百度学术69. 程风雯，甘进，李星，吴卫国. 基于DCGAN的水下结构物表面缺陷图像生成. 长江科学院院报. 2023(09): 155-161 . 百度学术70. 陈天娇. 人工智能在音乐创作中的应用. 信息与电脑(理论版). 2023(12): 177-179 . 百度学术71. 蔡常雨，莫文昊，王万国，张英强，郭鹏天. 基于生成对抗数据增殖的输电设备可视缺陷检测技术研究. 电力信息与通信技术. 2023(09): 38-43 . 百度学术72. 吕新华，赖世娇，葛沿灵，范晨璟，郝晟. 基于GAN的地块建筑自动生成研究. 江苏科技信息. 2023(25): 62-65 . 百度学术73. 叶皓，王麓懿，吴雪炜，张勇. 基于cGAN的下采样LG谱图像优化重建. 南京大学学报(自然科学). 2023(05): 752-758 . 百度学术74. 李猛. 深度伪造技术的国家安全风险及其全球治理. 云南行政学院学报. 2023(05): 61-71 . 百度学术75. 赵光华，杨焘，付冬梅. 数据流形边界及其分布条件的增量式降维算法. 智能系统学报. 2023(05): 975-983 . 百度学术76. 邓江峰，田金鹏，袁文杰. 基于感知生成对抗网络的图像压缩感知重建. 工业控制计算机. 2023(11): 126-128 . 百度学术77. 宋晓娜，庄洁，钱振宇. SAEE：主动健康的理论模型. 体育科技文献通报. 2023(10): 268-269+274 . 百度学术78. LOU YunXia，KUMAR Anil，XIANG JiaWei. Machinery fault diagnostic method based on numerical simulation driving partial transfer learning. Science China(Technological Sciences). 2023(12): 3462-3474 . 必应学术79. 储节旺，罗怡帆，李佳轩. AIGC对信息生成方式及用户信息行为的影响. 图书情报工作. 2023(24): 13-23 . 百度学术80. 吴志华，罗创涟，刘爱荣，傅继阳，陈炳聪. 桥梁水下结构病害智能检测方法. 结构工程师. 2023(06): 9-17 . 百度学术81. 杜晓明，徐延才，王晓，秦蕊，秦继荣. 面向空天海地一体化的平行海上搜救. 指挥与控制学报. 2023(05): 531-541 . 百度学术82. 姜忠龙，邓德位. 军事信息系统人工智能对抗技术研究. 舰船电子工程. 2023(11): 27-32 . 百度学术83. 吴雅琴，陈林，侯云峰. 基于CNN-GAN的信道状态信息室内定位算法. 电子测量技术. 2023(24): 119-126 . 百度学术84. 何沛松，李伟创，张婧媛，王宏霞，蒋兴浩. 面向GAN生成图像的被动取证及反取证技术综述. 中国图象图形学报. 2022(01): 88-110 . 百度学术85. 李富盛，林丹，余涛，王克英，吴毓峰，杨家俊. 基于改进生成式对抗网络的电气数据升频重建方法. 电力系统自动化. 2022(03): 105-112 . 百度学术86. 尹明，吴浩杨，谢胜利，杨其宇. 基于自注意力对抗的深度子空间聚类. 自动化学报. 2022(01): 271-281 . 本站查看87. 王鹏新，田惠仁，张悦，韩东，王婕，尹猛. 基于深度学习的作物长势监测和产量估测研究进展. 农业机械学报. 2022(02): 1-14 . 百度学术88. 陈曹阳，金灵. 神经网络在土木工程中的研究与应用. 山西建筑. 2022(06): 194-198 . 百度学术89. 李佳旭，胡玉玲，李嘉锋. 综合GAN与CNN的应急疏散快速风险评估方法. 消防科学与技术. 2022(02): 210-215 . 百度学术90. 尹正，周圣文，张刚. 基于非结构化的数据管理探究. 信息通信技术与政策. 2022(03): 92-96 . 百度学术91. 刘雪峰，刘佳明，付民. 生成对抗网络扩充样本用于高光谱图像分类. 电子测量技术. 2022(03): 146-152 . 百度学术92. 曹鹏宇，杨承志，石礼盟，吴宏超. 基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法. 系统工程与电子技术. 2022(04): 1158-1165 . 百度学术93. 黄攀，范继伟，杨小冈，卢瑞涛. 智能图像导引头目标数据集制备技术研究. 战术导弹技术. 2022(02): 105-112 . 百度学术94. 徐平亮，崔亚奇，熊伟，熊振宇，顾祥岐. 生成式中断航迹接续关联方法. 系统工程与电子技术. 2022(05): 1543-1552 . 百度学术95. 才智，魏为民，孟繁星，刘畅. 生成式对抗网络应用领域综述. 上海电力大学学报. 2022(02): 199-202 . 百度学术96. 李璇，崔立志，何泽彬. 基于MIPSO-LBFGS混合算法的色谱光谱分离方法. 激光杂志. 2022(05): 75-81 . 百度学术97. 周芳，丁冉，毛少杰，金欣. 基于对抗推演的训练样本生成框架. 火力与指挥控制. 2022(04): 145-149+154 . 百度学术98. 苟超，卓莹，王康，王飞跃. 眼动跟踪研究进展与展望. 自动化学报. 2022(05): 1173-1192 . 本站查看99. 申瑞彩，翟俊海，侯璎真. 选择性集成学习多判别器生成对抗网络. 计算机科学与探索. 2022(06): 1429-1438 . 百度学术100. 晁阁，杨宇，王平，王健. IDCGAN及其在滚动轴承故障诊断中的应用. 机械设计与制造. 2022(06): 54-58+64 . 百度学术101. 郭继峰，庞志奇，李星，杨帆，岳琪. 基于生成对抗网络的眼底图像生成方法. 计算机应用与软件. 2022(05): 197-203+252 . 百度学术102. 俞君杰. 基于生成对抗网络的强化学习算法的研究. 微型电脑应用. 2022(06): 174-176+190 . 百度学术103. 余正飞，闫巧，周鋆. 面向网络空间防御的对抗机器学习研究综述. 自动化学报. 2022(07): 1625-1649 . 本站查看104. 李燕萍，曹盼，左宇涛，张燕，钱博. 基于i向量和变分自编码相对生成对抗网络的语音转换. 自动化学报. 2022(07): 1824-1833 . 本站查看105. 张巍，张筱，万永菁. 基于条件生成对抗网络的书法字笔画分割. 自动化学报. 2022(07): 1861-1868 . 本站查看106. 何爽，黄鑫，林思睿，徐澜菲，王莹莹，邹任玲，李丹，胡秀枋. 基于神经网络的运动想象分类研究. 软件工程. 2022(08): 7-10 . 百度学术107. 卢鹏，张娜，邹国良，王振华，郑宗生. 基于双重注意力机制的CycleGAN海岸线自动提取方法. 激光与光电子学进展. 2022(12): 92-102 . 百度学术108. 胥祯浩，沈茜，李霞. 基于生成对抗网络的磁共振图像重建. 计算机工程与应用. 2022(15): 238-245 . 百度学术109. 刘科研，周方泽，周晖，王存平. 基于改进生成对抗网络的台区采集数据修复. 电网技术. 2022(08): 3231-3240 . 百度学术110. 李智明，赵怡，王俊祥. 基于深度学习的陶瓷图像修复研究. 电子质量. 2022(07): 5-10 . 百度学术111. 杨瑞阳，金蓓弘. 基于模仿学习的自动驾驶智能体构建. 人工智能. 2022(04): 30-39 . 百度学术112. 解涛，郭建胜，张晓丰，顾涛勇，赵博欣. 基于生成对抗网络的SAR图像降噪模型. 电光与控制. 2022(09): 48-52 . 百度学术113. 薛昊天，王晨. 基于GAN的僵尸网络流量检测研究. 电子设计工程. 2022(17): 146-149 . 百度学术114. 王威，李玉洁，郭富林，刘岩，何俊霖. 生成对抗网络及其文本图像合成综述. 计算机工程与应用. 2022(19): 14-36 . 百度学术115. 刘亚奇，许盛伟. 数字图像篡改定位研究综述. 北京电子科技学院学报. 2022(03): 41-54 . 百度学术116. 王宇鹏，朱诗兵，李长青. 基于平行系统和机器学习的作战试验鉴定框架设计. 指挥与控制学报. 2022(03): 311-317 . 百度学术117. 王晨宇，刘礼文，刘罡，李博，杨云川. 基于小样本条件下水下回波生成方法. 水下无人系统学报. 2022(05): 612-620 . 百度学术118. 张悦，赵哲，赵国桦，吴青霞，林予松. 基于改进SRGAN网络的CT图像增强应用研究. 微电子学与计算机. 2022(11): 27-36 . 百度学术119. 林薇，崔海华，郑炜，周新房，徐振龙，田威. 基于深度学习的剪切散斑干涉条纹图滤波方法. 激光与光电子学进展. 2022(22): 155-164 . 百度学术120. 熊伟，高娟娟，刘锴. 基于GAN模型优化的神经机器翻译. 计算机系统应用. 2022(12): 95-103 . 百度学术121. 齐永锋，裴晓旭，吕雪超，王静. 基于同步压缩和DCGAN的癫痫脑电信号检测方法. 计算机工程与科学. 2022(12): 2273-2280 . 百度学术122. 邱吉尔，陶洪峰，程龙，沈凌志. 基于自注意力机制辅助分类生成对抗网络的轴承故障诊断. 信息与控制. 2022(06): 753-762 . 百度学术123. 李可，祁阳，宿磊，顾杰斐，苏文胜. 基于改进ACGAN的钢表面缺陷视觉检测方法. 机械工程学报. 2022(24): 32-40 . 百度学术124. 王富平，李文楼，刘颖，卢津，公衍超. 结合边缘信息和门卷积的人脸修复算法. 计算机科学与探索. 2021(01): 150-162 . 百度学术125. 于文家，丁世飞. 基于自注意力机制的条件生成对抗网络. 计算机科学. 2021(01): 241-246 . 百度学术126. 王思懋，陈昱吉. 基于GAN的井下图像超分辨率重构. 信息记录材料. 2021(01): 173-175 . 百度学术127. 赵西增，徐天宇，谢玉林，吕超凡，姚炎明，解静，常江. 基于卷积神经网络的涵洞式直立堤波浪透射预测. 力学学报. 2021(02): 330-338 . 百度学术128. 江竞捷，徐络，李宁. 基于GAN的图像识别系统蜕变测试方法. 计算机与现代化. 2021(02): 24-29 . 百度学术129. 蒋芸，谭宁. 基于条件深度卷积生成对抗网络的视网膜血管分割. 自动化学报. 2021(01): 136-147 . 本站查看130. 李庆旭，王巧华，马美湖. 基于生成对抗网络的禽蛋图像数据生成研究. 农业机械学报. 2021(02): 236-245 . 百度学术131. 陈涵，沈雷，汪鸣明，张希莹，任祥放. 基于生成对抗网络的书法纺织图案设计开发. 丝绸. 2021(02): 137-141 . 百度学术132. 冷继华，李永胜，吕林夏，刘礼文. 基于生成对抗网络的水下样本生成方法. 水下无人系统学报. 2021(01): 74-79 . 百度学术133. 向家伟. 机械故障数值模拟驱动的生成式对抗网络及智能诊断原理. 中国科学:技术科学. 2021(03): 341-355 . 百度学术134. 万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型. 计算机工程与应用. 2021(06): 124-130 . 百度学术135. 刘之瑜，张淑芬，刘洋，罗长银，李敏. 基于图像梯度的数据增广方法. 应用科学学报. 2021(02): 302-311 . 百度学术136. 张恩琪，顾广华，赵晨，赵志明. 生成对抗网络GAN的研究进展. 计算机应用研究. 2021(04): 968-974 . 百度学术137. 杨观赐，胡丙齐，蒋亚汶，李杨，王阳. 智能家居服务机器人视觉和听觉行为隐私识别保护与度量技术. 贵州大学学报(自然科学版). 2021(02): 1-6 . 百度学术138. 刘翀，杜军平，周南. 一种基于对抗学习和语义相似度的社交网络跨媒体搜索方法. 中国科学:信息科学. 2021(05): 779-794 . 百度学术139. 张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法. 计算机工程与应用. 2021(09): 89-95 . 百度学术140. 陈泓佑，和红杰，陈帆，朱翌明. 基于子样本集构建的DCGANs训练方法. 自动化学报. 2021(04): 913-923 . 本站查看141. 代丽萍，王敬雄，李为丽，刘春红，程渤. 基于类重叠度区分的大规模云平台任务终止状态预测. 中国传媒大学学报(自然科学版). 2021(02): 44-53 . 百度学术142. 郭茂祖，杨倩楠，赵玲玲. 基于条件Wassertein生成对抗网络的图像生成. 计算机应用. 2021(05): 1432-1437 . 百度学术143. 张怡，张恒旭，李常刚，蒲天骄. 深度学习在电力系统频率分析与控制中的应用综述. 中国电机工程学报. 2021(10): 3392-3406+3665 . 百度学术144. 何少芳，沈陆明，谢红霞. 生成式对抗网络的土壤有机质高光谱估测模型. 光谱学与光谱分析. 2021(06): 1905-1911 . 百度学术145. 胡佳成，颜迪新，曹丛，施玉书，张树，李东升. 基于条件生成式对抗网络的AFM图像盲重构方法. 计量学报. 2021(05): 545-551 . 百度学术146. 祁生勇，臧月进，吕国云，杜明. 基于生成对抗网络的空中目标图像生成算法研究. 空天防御. 2021(02): 67-73 . 百度学术147. 赵国宁. 智能时代“深度合成”的技术逻辑与传播生态变革. 新闻界. 2021(06): 65-76 . 百度学术148. 沈江红，廖晓东. 基于LAAE网络的跨语言短文本情感分析方法. 计算机系统应用. 2021(06): 203-208 . 百度学术149. 李新利，邹昌铭，杨国田，刘禾. 基于生成式对抗网络的发票图像超分辨率研究. 系统仿真学报. 2021(06): 1307-1314 . 百度学术150. 刘荣，李冠，贾斌. 基于改进生成对抗网络的图像自适应隐写模型. 计算机工程与设计. 2021(06): 1551-1561 . 百度学术151. 田锋，耿长冉，邬仁耀，赵胜，刘缓，汤晓斌. 基于GAN的BNCT放疗剂量预测方法及影响因素. 原子能科学技术. 2021(S1): 158-164 . 百度学术152. 凌谢津，李银红. 基于生成对抗网络的后备保护在线整定快速计算方案. 中国电机工程学报. 2021(13): 4439-4450 . 百度学术153. 邓少平，孙盛. 极化SAR影像深度学习分类方法对比研究. 测绘科学. 2021(07): 120-127 . 百度学术154. 李森潭，刘超富，李宇轩，张楚仪，李若溪. 基于苏拉卡尔塔棋的差分学习算法研究. 无线互联科技. 2021(12): 107-110 . 百度学术155. 张鑫，缪楠，高继勇，李庆盛，王志强，孙霞，李彩虹，袁文浩. 基于电子舌和WGAN-CNN模型的小麦贮存年限快速检测. 电子测量与仪器学报. 2021(06): 176-183 . 百度学术156. 辛志奇，赵航，汪海，路铁刚. 基于深度学习的作物基因组学和遗传改良. 生物技术进展. 2021(04): 483-488 . 百度学术157. 兰天，辛月兰，殷小芳，何晓明. 基于生成对抗网络的面部属性迁移算法. 现代电子技术. 2021(15): 75-80 . 百度学术158. 王龙飞，严春满. 道路场景语义分割综述. 激光与光电子学进展. 2021(12): 44-66 . 百度学术159. 管其杰，张挺，李德亚，周绍景，杜奕. 基于多分辨率生成对抗网络的空间数据不确定性重建方法. 计算机应用. 2021(08): 2306-2311 . 百度学术160. 杜朋，王飞，张镇琦，张丁磊，陈敏. 人工智能技术在航天质量管理领域的应用初探. 航天标准化. 2021(02): 33-35 . 百度学术161. 刘乃嘉，胡颖，杨一风，李跃华，聂生东. 基于不同模态影像的急性缺血性脑卒中计算机辅助阿尔伯塔卒中项目早期计算机断层扫描评分研究进展. 生物医学工程学杂志. 2021(04): 790-796+804 . 百度学术162. 徐志鹏，卢官明，罗燕晴. 基于CycleGAN的人脸素描图像生成. 计算机技术与发展. 2021(08): 63-68 . 百度学术163. 马连博，李楠，程适. 进化神经网络原理、模型及方法综述. 陕西师范大学学报(自然科学版). 2021(05): 30-38+133 . 百度学术164. 邓志刚，孙子文. 工业信息物理系统攻击检测增强模型. 信息与控制. 2021(04): 410-418 . 百度学术165. 吴曦，孟祥林，杨镜宇. 下一代战略博弈推演系统研究. 系统仿真学报. 2021(09): 2017-2024 . 百度学术166. 王新哲，于泽沛，时斌，包致成，钱华山，赵永俊. 基于元学习的小样本数据生成算法. 计算机系统应用. 2021(09): 161-170 . 百度学术167. 李怡菲，应娜，杨鹏. 基于MD-CGAN的情感语音去噪算法. 杭州电子科技大学学报(自然科学版). 2021(05): 26-31 . 百度学术168. 李学相，曹淇，刘成明. 基于无配对生成对抗网络的图像超分辨率重建. 郑州大学学报(工学版). 2021(05): 1-6 . 百度学术169. 曾明昭，高会议，万莉. 基于生成对抗网络的葡萄叶片图像数据增强方法. 仪表技术. 2021(05): 41-44 . 百度学术170. 邓巧明，林文强，刘宇波，梁凌宇. 基于生成对抗网络的校园总平布局生成式设计探索——以小学校园为例. 世界建筑. 2021(09): 115-119+136 . 百度学术171. 罗文群，龚震宇，袁玉妹，王羡欠，龚文涛，程洪波. 基于GAN-SVM和图像熵理论ITP女性AUB的宫腔镜辅助诊断方法. 江西科学. 2021(05): 943-949 . 百度学术172. 费建伟，夏志华，余佩鹏，戴昀书. 人脸合成技术综述. 计算机科学与探索. 2021(11): 2025-2047 . 百度学术173. 胡西范，陈世平. 基于机器学习的小样本学习综述. 智能计算机与应用. 2021(07): 191-195+201 . 百度学术174. 王飞跃. 智能控制五十年回顾与展望:傅京孙的初心与萨里迪斯的雄心. 自动化学报. 2021(10): 2301-2320 . 本站查看175. 赵晶，陈然，郝慧超，邵壮. 机器学习技术在风景园林中的应用进展与展望. 北京林业大学学报. 2021(11): 137-156 . 百度学术176. 贺佳星，王晓丹，宋亚飞，来杰. CWGAN-DNN:一种条件Wasserstein生成对抗网络入侵检测方法. 空军工程大学学报(自然科学版). 2021(05): 67-74 . 百度学术177. 李新利，邹昌铭，杨国田，刘禾. SealGAN:基于生成式对抗网络的印章消除研究. 自动化学报. 2021(11): 2614-2622 . 本站查看178. 卫星，李佳，孙晓，刘邵凡，陆阳. 基于混合生成对抗网络的多视角图像生成算法. 自动化学报. 2021(11): 2623-2636 . 本站查看179. 周毅，胡姝婷，李伟，承楠，路宁，沈学民. 图神经网络驱动的交通预测技术：探索与挑战. 物联网学报. 2021(04): 1-16 . 百度学术180. 杨耀坤，肖卫国，王力. 基于生成式对抗网络的小样本图像生成. 计算机仿真. 2021(12): 445-448+453 . 百度学术181. 孙永峰. 深度学习策略下重要信息系统风险评估方法研究. 信息与电脑(理论版). 2021(23): 58-60 . 百度学术182. 杨云，王全. 层聚合的对抗机器翻译模型的方法研究. 陕西科技大学学报. 2020(01): 164-170 . 百度学术183. 于德山. 人工智能时代的视觉真相及其反思. 社会科学战线. 2020(01): 224-233 . 百度学术184. 支双双，赵庆会，金大海，唐琎. 基于CNN和DLTL的步态虚拟样本生成方法. 计算机应用研究. 2020(01): 291-295 . 百度学术185. 蒋鹏飞，魏松杰. 基于深度森林与CWGAN-GP的移动应用网络行为分类与评估. 计算机科学. 2020(01): 287-292 . 百度学术186. 石进，李益婷. 平行竞争情报态势感知系统研究. 西南民族大学学报(人文社科版). 2020(02): 234-240 . 百度学术187. 段新涛，李宝霞，贾凯，郭玳豆. 基于生成对抗网络的无载体信息隐藏. 河南师范大学学报(自然科学版). 2020(01): 33-37 . 百度学术188. 李诚，张羽，黄初华. 改进的生成对抗网络图像超分辨率重建. 计算机工程与应用. 2020(04): 191-196 . 百度学术189. 孔锐，黄钢. 基于条件约束的胶囊生成对抗网络. 自动化学报. 2020(01): 94-107 . 本站查看190. 周立君，刘宇，白璐，茹志兵，于帅. 一种基于GAN和自适应迁移学习的样本生成方法. 应用光学. 2020(01): 120-126 . 百度学术191. 常佳，王玉德，吉燕妮. 基于改进的U-Net生成对抗网络的图像翻译算法. 通信技术. 2020(02): 327-334 . 百度学术192. 冯永，张春平，强保华，张逸扬，尚家兴. GP-WIRGAN：梯度惩罚优化的Wasserstein图像循环生成对抗网络模型. 计算机学报. 2020(02): 190-205 . 百度学术193. 林嘉豪，章宗长，姜冲，郝建业. 基于生成对抗网络的模仿学习综述. 计算机学报. 2020(02): 326-351 . 百度学术194. 林洋，董宝良，刘泽平. 一种基于CGAN和GcForest的军事目标识别方法. 信息技术. 2020(03): 134-138 . 百度学术195. 彭晏飞，王恺欣，梅金业，桑雨，訾玲玲. 基于循环生成对抗网络的图像风格迁移. 计算机工程与科学. 2020(04): 699-706 . 百度学术196. 佟博，刘韬，刘畅. 基于生成对抗网络的轴承失效信号生成研究. 电子科技. 2020(04): 28-34 . 百度学术197. 刘伟韬. 基于SinGAN的图像生成模型. 曲阜师范大学学报(自然科学版). 2020(02): 67-71 . 百度学术198. 王德文，李业东. 基于WGAN图片去模糊的绝缘子目标检测. 电力自动化设备. 2020(05): 188-198 . 百度学术199. 白国柱，王蓓蓓. Deepfake技术监管政策现状和面临的挑战及建议. 信息安全研究. 2020(05): 454-457 . 百度学术200. 王星，杜伟，陈吉，陈海涛. 基于深度残差生成式对抗网络的样本生成方法. 控制与决策. 2020(08): 1887-1894 . 百度学术201. 刘遵雄，蒋中慧，任行乐. 多尺度生成对抗网络的图像超分辨率算法. 科学技术与工程. 2020(13): 5217-5223 . 百度学术202. 陈炜，汪洋，钟敏. 结合生成式对抗网络的神经机器翻译研究. 计算机与数字工程. 2020(05): 1164-1167 . 百度学术203. 班晓娟，宿彦京，谢建新. 深度学习在材料显微图像分析中的应用与挑战. 材料科学与工艺. 2020(03): 68-75 . 百度学术204. 许韬，段宣尧. 生成式对抗网络的现实应用. 电子技术与软件工程. 2020(08): 132-133 . 百度学术205. 李鑫，焦斌，林蔚天. 基于条件信息卷积生成对抗网络的图像识别. 计算机工程与应用. 2020(14): 191-198 . 百度学术206. 高忠文，于立国. 基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测. 汽车技术. 2020(07): 14-18 . 百度学术207. 王冬冬，王力，姜敏，王可新，栾浩. 改进的生成对抗网络的图像超分辨率重建. 计算机工程与设计. 2020(07): 1981-1986 . 百度学术208. 鲁鹏杰，许大璐，任福，徐胜华，邱天奇，彭瑞. 应急遥感制图中敏感目标自动检测与隐藏方法. 武汉大学学报(信息科学版). 2020(08): 1263-1272 . 百度学术209. 王可新，王力. 基于生成对抗网络的图像修复算法. 智能计算机与应用. 2020(04): 9-12 . 百度学术210. 师飘. 高压杆塔异物检测及系统设计. 洛阳师范学院学报. 2020(08): 40-45 . 百度学术211. 汤战勇，田超雄，叶贵鑫，李婧，王薇，龚晓庆，陈晓江，房鼎益. 一种基于条件生成式对抗网络的文本类验证码识别方法. 计算机学报. 2020(08): 1572-1588 . 百度学术212. 刘少鹏，洪佳明，梁杰鹏，贾西平，欧阳佳，印鉴. 面向医学图像分割的半监督条件生成对抗网络. 软件学报. 2020(08): 2588-2602 . 百度学术213. 殷小静，胡晓峰，刘戎翔，谢智歌，马骏. 基于GAN的体系能力图谱生成方法. 系统工程与电子技术. 2020(10): 2257-2264 . 百度学术214. 程换新，刘文翰. 基于生成对抗网络的图像超分辨率研究. 电子测量技术. 2020(14): 132-135 . 百度学术215. 康文杰，林岚，孙珅，吴水才. 生成对抗网络及其在神经影像应用中的研究进展. 医疗卫生装备. 2020(09): 87-93+108 . 百度学术216. 刘田丰，马力. 一种基于GAN的手势图像生成方法. 计算机与数字工程. 2020(08): 2014-2017+2023 . 百度学术217. 杨志钢，李辉洋. 基于改进GeneGAN的图像背景替换方法. 哈尔滨商业大学学报(自然科学版). 2020(05): 560-564+581 . 百度学术218. 胡旭光，马大中，郑君，张化光，王睿. 基于关联信息对抗学习的综合能源系统运行状态分析方法. 自动化学报. 2020(09): 1783-1797 . 本站查看219. 李杰，李响，许元铭，杨绍杰，孙可意. 工业人工智能及应用研究现状及展望. 自动化学报. 2020(10): 2031-2044 . 本站查看220. 冯全，高仪. 生成对抗网络指导学习的图像识别方法. 信息技术. 2020(11): 125-131 . 百度学术221. 许春冬，徐琅，周滨，凌贤鹏. 单通道语音增强技术的研究现状与发展趋势. 江西理工大学学报. 2020(05): 55-64 . 百度学术222. 杨欢，范子祎. 基于生成对抗网络比例标签学习在信贷客户分类中的应用. 信息与电脑(理论版). 2020(20): 137-139 . 百度学术223. 刘小兰，叶泽慧. 基于StarGAN和子空间学习的缺失多视图聚类. 华南理工大学学报(自然科学版). 2020(11): 87-98 . 百度学术224. 毕卉，姜一波，张琦，眭建锋，陆正大，倪昕晔. 基于CT图像的跨模态转换研究进展. 中华放射医学与防护杂志. 2020(11): 882-887 . 百度学术225. 高英宁，崔艳荣，孙存威. 生成对抗网络下小样本语音情感识别方法. 计算机工程与设计. 2020(12): 3550-3556 . 百度学术226. 胡龙辉，王朝立，孙占全，杨爱俊. 基于WGAN的图像识别方法. 控制工程. 2020(12): 2168-2175 . 百度学术227. 刘建伟，谢浩杰，罗雄麟. 生成对抗网络在各领域应用研究进展. 自动化学报. 2020(12): 2500-2536 . 本站查看228. 颜贝，张礼，张建林，徐智勇. 基于残差结构的对抗式网络图像生成方法. 激光与光电子学进展. 2020(18): 310-317 . 百度学术229. 向亚丽，颜冰. 基于GSC的改进生成对抗网络噪声干扰抵消算法. 武汉理工大学学报. 2020(07): 83-91 . 百度学术230. 唐骞. 基于对抗学习的图像修复. 计算机产品与流通. 2019(01): 210 . 百度学术231. 王守相，陈海文，潘志新，王建明. 采用改进生成式对抗网络的电力系统量测缺失数据重建方法. 中国电机工程学报. 2019(01): 56-64+320 . 百度学术232. 王怡斐，韩俊刚，樊良辉. 基于WGAN的语音增强算法研究. 重庆邮电大学学报(自然科学版). 2019(01): 136-142 . 百度学术233. 徐松林. 生成式对抗网络研究综述. 电脑知识与技术. 2019(03): 61-62 . 百度学术234. 孙靖文，王敏. 强化组合式生成对抗网络. 电子测量技术. 2019(04): 99-103 . 百度学术235. 李雪瑾，李昕，徐艳杰. 基于生成对抗网络的数字图像修复技术. 电子测量与仪器学报. 2019(01): 40-46 . 百度学术236. 程显毅，谢璐，朱建新，胡彬，施佺. 生成对抗网络GAN综述. 计算机科学. 2019(03): 74-81 . 百度学术237. 沈杰，瞿遂春，任福继，邱爱兵，徐杨. 基于SGAN的中文问答生成研究. 计算机应用与软件. 2019(02): 194-199 . 百度学术238. 丁玥，黄玲，王昌栋. 基于生成式对抗网络的链路预测方法. 计算机科学与探索. 2019(04): 554-562 . 百度学术239. 黄骞，史洪芳，于洪斌. 基于实景三维的美丽乡村智能规划协同平台. 公路. 2019(04): 233-238 . 百度学术240. 杨懿男，齐林海，王红，苏林萍. 基于生成对抗网络的小样本数据生成技术研究. 电力建设. 2019(05): 71-77 . 百度学术241. 罗佳，黄晋英. 生成式对抗网络研究综述. 仪器仪表学报. 2019(03): 74-84 . 百度学术242. 吴雨茜，王俊丽，杨丽，余淼淼. 代价敏感深度学习方法研究综述. 计算机科学. 2019(05): 1-12 . 百度学术243. 袁辰，钱丽萍，张慧，张婷. 基于生成对抗网络的恶意域名训练数据生成. 计算机应用研究. 2019(05): 1540-1543+1568 . 百度学术244. 张成彬，赵慧，曹宗钰. 基于深度学习的车身网络KWP2000协议漏洞挖掘. 山东大学学报(工学版). 2019(02): 17-22 . 百度学术245. 刘其开，姜代红，李文吉. 基于分段损失的生成对抗网络. 计算机工程. 2019(05): 155-160+168 . 百度学术246. 王科俊，丁欣楠，邢向磊，刘美辰. 多视角步态识别综述. 自动化学报. 2019(05): 841-852 . 本站查看247. 白海娟，周未，王存睿，王磊. 基于生成式对抗网络的字体风格迁移方法. 大连民族大学学报. 2019(03): 250-256 . 百度学术248. 聂凯，栾瑞鹏. 基于数据增强的仿真模型验证方法. 指挥控制与仿真. 2019(03): 92-96 . 百度学术249. 欧阳雯琪，徐昆. Mask-2-Human:基于生成式对抗网络的人物图像生成方法. 中国科技论文. 2019(03): 255-260 . 百度学术250. 何子庆，聂红玉，刘月，尹洋. 基于条件梯度Wasserstein生成对抗网络的图像识别. 计算机测量与控制. 2019(06): 157-162 . 百度学术251. 于梦珂. 生成式对抗网络GAN的研究现状与应用. 无线互联科技. 2019(09): 25-26+29 . 百度学术252. 李策，贾盛泽，曲延云. 一种自然场景图像的目标材质视觉特征映射算法. 自动化学报. 2019(06): 1198-1206 . 本站查看253. 税留成，刘卫忠，冯卓明. 基于生成式对抗网络的图像自动标注. 计算机应用. 2019(07): 2129-2133 . 百度学术254. 孙曦音，封化民，刘飚，张健毅. 基于GAN的对抗样本生成研究. 计算机应用与软件. 2019(07): 202-207+248 . 百度学术255. 王耀杰，钮可，杨晓元. 基于生成对抗网络的图像隐藏方案. 信息网络安全. 2019(05): 54-60 . 百度学术256. 王靖. 生成对抗网络在计算机视觉领域的应用探索. 科技风. 2019(22): 92 . 百度学术257. 夏蕊，马宏斌. 生成式对抗网络的通信网络安全技术. 移动通信. 2019(08): 21-24 . 百度学术258. 贾俊杰，李捷. 基于半监督生成对抗网络的病虫害图像识别算法. 武汉轻工大学学报. 2019(04): 45-52 . 百度学术259. 郑昌艳，张雄伟，曹铁勇，杨吉斌，孙蒙，邢益搏. 一种基于LSTM-RNN的喉振传声器语音盲增强算法. 数据采集与处理. 2019(04): 615-624 . 百度学术260. 黄开艺，艾芊，张宇帆，郝然，吕天光，高扬，肖斐. 基于能源细胞-组织架构的区域能源网需求响应研究挑战与展望. 电网技术. 2019(09): 3149-3160 . 百度学术261. 王飞跃，苟超，王建功，沈甜雨，郑文博，于慧. 平行皮肤:基于视觉的皮肤病分析框架. 模式识别与人工智能. 2019(07): 577-588 . 百度学术262. 董伟，赵杰煜. 基于生成对抗网络的图像艺术风格迁移. 宁波大学学报(理工版). 2019(05): 30-35 . 百度学术263. 刘坤，王典，荣梦学. 基于半监督生成对抗网络X光图像分类算法. 光学学报. 2019(08): 117-125 . 百度学术264. 杜振龙，沈海洋，宋国美，李晓丽. 基于改进CycleGAN的图像风格迁移. 光学精密工程. 2019(08): 1836-1844 . 百度学术265. 王格格，郭涛，李贵洋. 多层感知器深度卷积生成对抗网络. 计算机科学. 2019(09): 243-249 . 百度学术266. 柴梦婷，朱远平. 生成式对抗网络研究与应用进展. 计算机工程. 2019(09): 222-234 . 百度学术267. 柳静. 基于模糊数学的对抗网络图像配准建模. 科学技术与工程. 2019(24): 242-247 . 百度学术268. 姜玉宁，李劲华，赵俊莉. 生成式对抗网络模型研究. 青岛大学学报(自然科学版). 2019(03): 31-38+43 . 百度学术269. 谈元鹏，刘伟，赵紫璇，杨凯，唐若愚，周莉梅. 面向配电异构数据的生成对抗式数据增殖技术研究. 供用电. 2019(10): 36-40+60 . 百度学术270. 张杰，赵惠军，李贤威，王亚林，张梦圆. 基于生成式对抗网络技术合成医学图像的研究进展与展望. 医疗卫生装备. 2019(10): 93-98 . 百度学术271. 王耀杰，杨晓元，黄阁渝. 基于GAN的跨领域图像隐写方案. 中国科技论文. 2019(07): 718-723 . 百度学术272. 方舟，裘炜浩，季超，夏鹏飞，龚康家，周后盘. 基于对抗生成网络与BP神经网络的低压台区线损率预测. 浙江电力. 2019(10): 46-51 . 百度学术273. 李农勤，杨维信. 基于生成式对抗神经网络的手写文字图像补全. 图学学报. 2019(05): 878-884 . 百度学术274. 陈建平，陈其强，傅启明，高振，吴宏杰，陆悠. 基于生成对抗网络的最大熵逆强化学习. 计算机工程与应用. 2019(22): 119-126 . 百度学术275. 蒋欣兰，贾文博. 高铁接触网异物侵入的机器视觉检测方法. 计算机工程与应用. 2019(22): 250-257 . 百度学术276. 陈建平，邹锋，刘全，吴宏杰，胡伏原，傅启明. 一种基于生成对抗网络的强化学习算法. 计算机科学. 2019(10): 265-272 . 百度学术277. 顾杨，陈昭炯，陈灿，叶东毅. 基于CGAN的中国山水画布局可调的仿真生成方法. 模式识别与人工智能. 2019(09): 844-854 . 百度学术278. 余传明，王峰，胡莎莎，安璐. 基于生成对抗网络的跨语言文本情感分析. 情报理论与实践. 2019(11): 135-141 . 百度学术279. 王万良，杨胜兰，赵燕伟，李卓蓉. 基于条件边界平衡生成对抗网络的河流表面流速估测. 浙江大学学报(工学版). 2019(11): 2118-2128 . 百度学术280. 丁满，李明惠，赵芳华，李紫君. 基于生成对抗网络的产品色彩智能设计方法. 机械设计. 2019(11): 133-138 . 百度学术281. 殷小静，胡晓峰，杨镜宇. 面向作战体系的生成式对抗网络应用研究. 火力与指挥控制. 2019(11): 11-15 . 百度学术282. 李天成，何嘉. 一种基于生成对抗网络的图像修复算法. 计算机应用与软件. 2019(12): 195-200+267 . 百度学术283. 傅宏辉，王友仁，孙灿飞，孙权. 基于ACGAN的功率变换器参数性故障诊断方法. 机械制造与自动化. 2019(06): 159-163 . 百度学术284. 杨朝强，蒋卫丽，邵党国. 基于直方图均衡化的GAN去模糊模型. 数据通信. 2019(06): 27-31 . 百度学术285. 余涛，程乐峰，张孝顺. 基于信息-物理-社会系统融合和群体机器学习的弱中心化微元网:理论研究与关键科学问题分析. 中国科学:技术科学. 2019(12): 1541-1569 . 百度学术286. 王德兴，秦恩倩，袁红春. 基于DCGAN数据增强的水产动物分类方法. 渔业现代化. 2019(06): 68-75 . 百度学术287. 张梅，陈鸰，王飞跃，王晓，国元元，杨田. 平行胃肠:基于ACP的智能胃肠疾病诊疗. 模式识别与人工智能. 2019(12): 1061-1071 . 百度学术288. 赵维. 基于生成对抗网络的异常行为模拟算法研究. 长春理工大学学报(自然科学版). 2019(06): 138-142 . 百度学术289. 王昕钰，王倩，程敦诚，吴福庆. 基于三级级联架构的接触网定位管开口销缺陷检测. 仪器仪表学报. 2019(10): 74-83 . 百度学术290. 赵维. 基于生成对抗网络的异常行为模拟算法研究. 长春理工大学学报. 2019(06): 138-142 . 百度学术291. 宁宁，金鑫，张晓昆，李艳楠. 基于GAN的人脸图像光照迁移. 北京电子科技学院学报. 2019(04): 33-41 . 百度学术292. 杨林瑶，陈思远，王晓，张俊，王成红. 数字孪生与平行系统:发展现状、对比及展望. 自动化学报. 2019(11): 2001-2031 . 本站查看293. 孙成立，王海武. 生成式对抗网络在语音增强方面的研究. 计算机技术与发展. 2019(02): 152-156+161 . 百度学术294. 王宏宇，陈冬梅. 生成式对抗网络在不良图片识别中的应用. 电脑迷. 2018(02): 40 . 百度学术295. 张玉清，董颖，柳彩云，雷柯楠，孙鸿宇. 深度学习应用于网络空间安全的现状、趋势与展望. 计算机研究与发展. 2018(06): 1117-1142 . 百度学术296. 唐贤伦，杜一铭，刘雨微，李佳歆，马艺玮. 基于条件深度卷积生成对抗网络的图像识别方法. 自动化学报. 2018(05): 855-864 . 本站查看297. 张一珂，张鹏远，颜永红. 基于对抗训练策略的语言模型数据增强技术. 自动化学报. 2018(05): 891-900 . 本站查看298. 王功明，乔俊飞，王磊. 一种能量函数意义下的生成式对抗网络. 自动化学报. 2018(05): 793-803 . 本站查看299. 卢倩雯，陶青川，赵娅琳，刘蔓霄. 基于生成对抗网络的漫画草稿图简化. 自动化学报. 2018(05): 840-854 . 本站查看300. 郑文博，王坤峰，王飞跃. 基于贝叶斯生成对抗网络的背景消减算法. 自动化学报. 2018(05): 878-890 . 本站查看301. 孙亮，韩毓璇，康文婧，葛宏伟. 基于生成对抗网络的多视图学习与重构算法. 自动化学报. 2018(05): 819-828 . 本站查看302. 王坤峰，左旺孟，谭营，秦涛，李力，王飞跃. 生成式对抗网络:从生成数据到创造智能. 自动化学报. 2018(05): 769-774 . 本站查看303. 姚乃明，郭清沛，乔逢春，陈辉，王宏安. 基于生成式对抗网络的鲁棒人脸表情识别. 自动化学报. 2018(05): 865-877 . 本站查看304. 孙秋野，胡旌伟，杨凌霄，张化光. 基于GAN技术的自能源混合建模与参数辨识方法. 自动化学报. 2018(05): 901-914 . 本站查看305. 杜秋平，刘群. 基于图像云模型语义标注的条件生成对抗网络. 模式识别与人工智能. 2018(04): 379-388 . 百度学术306. 王飞跃，张梅，孟祥冰，王雁，马娇楠，刘武，王晓. 平行眼:基于ACP的智能眼科诊疗. 模式识别与人工智能. 2018(06): 495-504 . 百度学术307. 金炜东，杨沛，唐鹏. 双判别器生成对抗网络及其在接触网鸟巢检测与半监督学习中的应用. 中国科学:信息科学. 2018(07): 888-902 . 百度学术308. 饶元，吴连伟，王一鸣，冯聪. 基于语义分析的情感计算技术研究进展. 软件学报. 2018(08): 2397-2426 . 百度学术309. 朱纯，王翰林，魏天远，王伟. 基于深度卷积生成对抗网络的语音生成技术. 仪表技术. 2018(02): 13-15+20 . 百度学术310. 刘明明，张敏情，刘佳，高培贤，张英男. 基于生成对抗网络的无载体信息隐藏. 应用科学学报. 2018(02): 371-382 . 百度学术311. 易珂. 基于深度网络ACGAN的图像识别. 电子技术与软件工程. 2018(18): 60-61 . 百度学术312. 李龙，支庭荣. “算法反恐”:恐怖主义媒介化与人工智能应对. 现代传播(中国传媒大学学报). 2018(09): 13-18 . 百度学术313. 王耀杰，钮可，杨晓元. 基于生成对抗网络的信息隐藏方案. 计算机应用. 2018(10): 2923-2928 . 百度学术314. 曹仰杰，贾丽丽，陈永霞，林楠，李学相. 生成式对抗网络及其计算机视觉应用研究综述. 中国图象图形学报. 2018(10): 1433-1449 . 百度学术315. 赵增顺，高寒旭，孙骞，滕升华，常发亮，Dapeng Oliver Wu. 生成对抗网络理论框架、衍生模型与应用最新进展. 小型微型计算机系统. 2018(12): 2602-2606 . 百度学术316. 蔡雨婷，陈昭炯，叶东毅. 基于双层级联GAN的草图到真实感图像的异质转换. 模式识别与人工智能. 2018(10): 877-886 . 百度学术317. 杨根权，史卫亚. 基于生成对抗网络的图像处理系统. 信息通信. 2018(11): 79-81 . 百度学术318. 孙全，曾晓勤. 基于生成对抗网络的图像修复. 计算机科学. 2018(12): 229-234+261 . 百度学术319. 刘波宁，翟东海. 基于双鉴别网络的生成对抗网络图像修复方法. 计算机应用. 2018(12): 3557-3562+3595 . 百度学术320. 李明，景军锋，李鹏飞. 应用GAN和Faster R-CNN的色织物缺陷识别. 西安工程大学学报. 2018(06): 663-669 . 百度学术321. 张涛，张猛，蒋培培. 基于空间连续生成对抗网络的视频帧间图像生成. 高技术通讯. 2018(Z1): 843-851 . 百度学术322. 杜立平，宋燕红，李晓东，金鑫. GAN在AI领域的应用研究. 北京电子科技学院学报. 2018(03): 85-93 . 百度学术323. 陈文兵，管正雄，陈允杰. 基于条件生成式对抗网络的数据增强方法. 计算机应用. 2018(11): 3305-3311 . 百度学术324. 赵树阳，李建武. 基于生成对抗网络的低秩图像生成方法. 自动化学报. 2018(05): 829-839 . 本站查看325. 林懿伦，戴星原，李力，王晓，王飞跃. 人工智能研究的新前线:生成式对抗网络. 自动化学报. 2018(05): 775-792 . 本站查看326. 李金忠，刘关俊，闫春钢，蒋昌俊. 排序学习研究进展与展望. 自动化学报. 2018(08): 1345-1369 . 本站查看327. 王万良，李卓蓉. 生成式对抗网络研究进展. 通信学报. 2018(02): 135-148 . 百度学术328. 李真，屈丹，高明霞，张文林，牛铜. 基于端到端的神经网络机器翻译技术研究. 信息工程大学学报. 2018(05): 550-555 . 百度学术329. 张卫，马丽，黄金. 基于生成式对抗网络的人脸识别开发. 电子世界. 2017(20): 164-165 . 百度学术330. 刘雅婷，王坤峰，王飞跃. 基于踪片Tracklet关联的视觉目标跟踪:现状与展望. 自动化学报. 2017(11): 1869-1885 . 本站查看331. 王坤峰，鲁越，王雨桐，熊子威，王飞跃. 平行图像:图像生成的一个新型理论框架. 模式识别与人工智能. 2017(07): 577-587 . 百度学术332. 王飞跃，张梅，孟祥冰，王蓉，王晓，张志成，陈鸰，葛均华，杨田. 平行手术:基于ACP的智能手术计算方法. 模式识别与人工智能. 2017(11): 961-970 . 百度学术333. 王飞跃，李长贵，国元元，王静，王晓，邱天雨，孟祥冰，施小博. 平行高特:基于ACP的平行痛风诊疗系统框架. 模式识别与人工智能. 2017(12): 1057-1068 . 百度学术334. 张雄伟，李轶南，郑昌艳，曹铁勇，孙蒙，闵刚. 语音去混响技术的研究进展与展望. 数据采集与处理. 2017(06): 1069-1081 . 百度学术335. 朱丰，胡晓峰，贺筱媛，孔亦思，杨璐. 一种基于CNN的样本不足战场包围态势认知方法. 系统仿真学报. 2017(10): 2291-2300 . 百度学术336. 刘昕，王晓，张卫山，汪建基，王飞跃. 平行数据:从大数据到数据智能. 模式识别与人工智能. 2017(08): 673-681 . 百度学术337. Li Li，Yilun Lin，Nanning Zheng，Fei-Yue Wang. Parallel Learning:a Perspective and a Framework. IEEE/CAA Journal of Automatica Sinica. 2017(03): 389-395 . 必应学术其他类型引用(689)
-
下载:
计量
- 文章访问数: 1563
- HTML全文浏览量: 251
- PDF下载量: 71
- 被引次数: 1026
