GAN（对抗生成网络）可以被用于哪些（商业或潜在商业）实际问题？

GANs，也就是生成对抗网络，这东西自从问世以来，就一直是AI界的热点，也确实是实打实地在解决一些咱们日常生活中就能碰到的问题，或者说，是未来我们可能会遇到的、现在已经看到雏形的问题。咱们不妨掰开了揉碎了聊聊，看看它到底能干啥，而且是那种让人觉得“这AI挺有用的”那种。

1. 艺术创作和内容生成：让“无中生有”变得更“有”

你有没有想过，为什么现在网上那么多好看的插画、逼真的游戏角色，甚至是风格独特的音乐？GANs在这其中扮演了非常重要的角色。

艺术品生成与风格迁移：设想一下，你是一个艺术家，但灵感枯竭，或者想尝试一种新的风格。GANs可以学习大量特定艺术家的作品（比如梵高、莫奈），然后生成全新的、具有相似风格的画作。这不仅仅是简单的复制粘贴，而是理解了笔触、色彩、构图的精髓，然后“再创造”。商业上，这可以为艺术家提供灵感，甚至直接生成可售卖的艺术品。游戏公司可以用它来快速生成不同风格的背景、角色概念图，大大缩短开发周期。
虚拟形象与数字人：现在社交媒体上流行的“虚拟主播”、“数字人”，很多背后就有GANs的影子。通过学习大量真实人脸数据，GANs可以生成逼真到难以分辨的虚拟人脸，甚至可以赋予它们不同的年龄、性别、表情。这在虚拟现实（VR）、增强现实（AR）、虚拟偶像、游戏NPC（非玩家角色）的制作上，都有巨大的应用潜力。试想一下，未来游戏里的NPC，不再是千篇一律的模型，而是每个都独一无二、有自己“长相”和“故事”的鲜活个体。
文本到图像/视频的生成：你只需要用文字描述你想要的东西（比如“一个宇航员骑着马在月球上挥舞着彩虹旗”），GANs就可以尝试把它变成一张图片，甚至一段短视频。这对内容创作者、广告行业、电影制作来说，简直是梦幻般的功能。可以快速生成各种场景的原画，制作宣传海报，甚至为动画电影打基础。

2. 数据增强与合成：让“稀缺”变“丰富”

在很多领域，我们需要的训练数据是稀缺的、昂贵的，甚至是有隐私顾虑的。GANs在这方面简直就是“救世主”。

医疗影像数据增强：比如，我们想要训练一个AI模型来检测某种罕见的疾病，但相关的医学影像（CT、MRI）可能非常少。GANs可以学习现有病灶的特征，然后生成大量逼真的、具有这些特征的合成影像，用于训练模型。这样一来，我们就能用更少真实的、昂贵的样本，训练出更强大的AI医生。这对于药物研发、疾病诊断的研究，无疑是巨大的推动。
自动驾驶的模拟训练：自动驾驶汽车需要在各种复杂、极端甚至危险的路况下进行训练，但这在现实世界中成本很高且不安全。GANs可以用来生成各种模拟场景，比如不同光照条件下的街道、不同天气（雨、雪、雾）下的道路、甚至各种突发情况（行人突然闯入、车辆故障）的数据。这些合成数据可以极大地丰富自动驾驶模型的训练集，提高其在真实世界中的鲁棒性。
数据脱敏与隐私保护：有些行业，比如金融、医疗，保存着大量的用户隐私数据。直接使用这些数据进行分析或模型训练，存在严重的隐私泄露风险。GANs可以生成与真实数据在统计学特征上非常相似，但又不是真实数据的合成数据。这样，我们既可以利用数据的“样子”来训练模型，又不用担心暴露真实的个人信息。

3. 图像修复与编辑：让“破损”变“完整”，让“普通”变“惊艳”

我们生活中会遇到各种图像问题，GANs也能派上用场。

老照片修复与上色：那些泛黄、模糊的老照片，承载着许多人的回忆。GANs可以学习现代照片的清晰度和色彩，然后“智能地”修复老照片中的破损、去除噪点，甚至为黑白照片添加逼真的色彩。这对于档案馆、历史研究、家庭纪念都非常有价值。
图像超分辨率：你手机里一张模糊的照片，想放大看清细节，但放大后更模糊了？GANs可以通过学习高分辨率图像的特征，将低分辨率图像“智能地”放大，生成更清晰、细节更丰富的图像。这在安防监控、医学影像分析（比如放大病灶细节）、甚至老电影修复中都有应用。
图像去模糊与去噪：拍照时手抖、光线不足，很容易拍出模糊或有噪点的照片。GANs可以“看穿”这些瑕疵，生成更清晰、干净的图像。

4. 交互式应用与个性化推荐：让“体验”更“懂你”

GANs也能让我们的互动体验变得更加个性化和生动。

个性化产品设计：比如，你可以输入你喜欢的风格、颜色、元素，GANs就能为你生成独一无二的服装设计、家具样式，甚至是产品的3D模型。这将极大地推动定制化消费和个性化产品的普及。
对话系统中的情感表达：虚拟助手或聊天机器人，如果能根据对话内容和用户情绪，生成更自然、更具情感色彩的语音或面部表情，那么交互体验将完全不同。GANs可以帮助生成更富表现力的虚拟角色。

5. 药物研发与材料科学：加速创新

这是一个更前沿但潜力巨大的领域。

分子生成与优化：在药物研发中，找到具有特定药理活性的分子是一个漫长且昂贵的过程。GANs可以学习现有药物分子的结构特征，然后生成新的、具有潜在药效的分子结构，并可以进行优化。这有望加速新药的发现和研发进程。
新材料设计：类似地，GANs也可以学习现有材料的性质，然后生成具有特定性能（如高强度、导电性、耐高温性）的新型材料。

需要注意的点：

当然，GANs也不是万能的。它在训练过程中可能存在一些挑战，比如“模式坍塌”（生成的数据不够多样化）和“训练不稳定”。而且，生成逼真内容的能力，也可能被滥用，比如生成虚假信息、深度伪造（Deepfake）等，这是我们在享受技术便利的同时，需要警惕和防范的。

总的来说，GANs就像是一个拥有无限创意和惊人学习能力的“虚拟艺术家”和“数据魔法师”，它正在悄无声息地改变着我们创造内容、分析数据、甚至理解世界的方式。从艺术到科学，从娱乐到医疗，它的身影无处不在，而且未来还有更多的可能性等待我们去发掘。

网友意见

摘要： 本文主要讲述了生成对抗网络GANs的发展和主要应用。

在GAN发展的最初几年里，我们取得了令人瞩目的进展。当然，现在不会是像恐怖电影里那样有邮票大小的面部照片了。2017年，Gan制作了1024×1024张能愚弄人才童子军的照片。在未来几年，我们可能会看到GAN生成的高质量视频，由此衍生的商业应用程序即将来临。作为GAN系列的一部分，我们研究了一些很酷的应用程序，希望它们能作你的GAN应用程序的灵感来源。

创建动画角色

众所周知，游戏开发和动画制作成本很高，并且雇佣了许多制作艺术家来完成相对常规的任务。但通过GAN就可以自动生成动画角色并为其上色。

发生器和鉴别器由多层卷积层、批标准化和具有跳过链接的relu组成。

姿势引导人形像生成

通过姿势的附加输入，我们可以将图像转换为不同的姿势。例如，右上角图像是基础姿势，右下角是生成的图像。

下面的优化结果列是生成的图像。

该设计由二级图像发生器和鉴频器组成。生成器使用元数据（姿势）和原始图像重建图像。鉴别器使用原始图像作为CGAN设计标签输入的一部分。

CycleGAN

跨域名转让将很可能成为第一批商业应用。GANs将图像从一个领域（如真实的风景）转换为另一个领域（莫奈绘画或梵高）。

例如，它可以在斑马和马之间转换图片。

Cyclegan构建了两个网络G和F来构建从一个域到另一个域以及反向的图像。它使用鉴别器d来批评生成的图像有多好。例如，G将真实图像转换为梵高风格的绘画，并且DY用于区分图像是真实的还是生成的。

域A到域B：

我们在反向域B域A中重复该过程：

PixelDTGAN

根据名人图片推荐商品已经成为时尚博客和电子商务的热门话题。Pixeldtgan的作用就是从图像中创建服装图像和样式。

超分辨率

从低分辨率创建超分辨率图像。这是GAN显示出非常令人印象深刻的结果，也是具有直接商业可能性的一个领域。

与许多GAN的设计类似，它是由多层卷积层、批标准化、高级relu和跳过连接组成。

GAN的逐步发展

Progressive GAN可能是第一个展示商业化图像质量的GAN之一。以下是由GAN创建的1024×1024名人形象。

它采用分而治之的策略，使训练更加可行。卷积层的一次又一次训练构建出2倍分辨率的图像。

在9个阶段中，生成1024×1024图像。

高分辨率图像合成

需要注意的是这并非图像分割，而是从语义图上生成图像。由于采集样本非常昂贵，我们采用生成的数据来补充培训数据集，以降低开发成本。在训练自动驾驶汽车时可以自动生成视频，而不是看到它们在附近巡航，这就为我们的生活带来了便捷。

网络设计:

文本到图像（StackGAN）

文本到图像是域转移GAN的早期应用之一。比如，我们输入一个句子就可以生成多个符合描述的图像。

文本到图像合成

另一个比较通用的实现：

人脸合成

不同姿态下的合成面：使用单个输入图像，我们可以在不同的视角下创建面。例如，我们可以使用它来转换更容易进行人脸识别图像。

图像修复

几十年前，修复图像一直是一个重要的课题。gan就可以用于修复图像并用创建的“内容”填充缺失的部分。

学习联合分配

用面部字符P（金发，女性，微笑，戴眼镜），P（棕色，男性，微笑，没有眼镜）等不同组合创建GAN是很不现实的。维数的诅咒使得GAN的数量呈指数增长。但我们可以学习单个数据分布并将它们组合以形成不同的分布，即不同的属性组合。

DiscoGAN

DiscoGAN提供了匹配的风格：许多潜在的应用程序。DiscoGAN在没有标签或配对的情况下学习跨域关系。例如，它成功地将样式（或图案）从一个域（手提包）传输到另一个域（鞋子）。

DiscoGAN和cyclegan在网络设计中非常相似。

Pix2Pix

PIX2PIx是一种图像到图像的翻译，在跨域Gan的论文中经常被引用。例如，它可以将卫星图像转换为地图（图片左下角）。

DTN

从图片中创建表情符号。

纹理合成

图像编辑 (IcGAN)

重建或编辑具有特定属性的图像。

人脸老化(Age-cGAN)

神经照片编辑器

基于内容的图像编辑：例如，扩展发带。

细化图像

目标检测

这是用gan增强现有解决方案的一个应用程序。

图像融合

将图像混合在一起。

视频生成

创建新的视频序列。它识别出什么是背景，并为前台操作创建新的时间序列。

视频链接

生成三维对象

这是用gan创建三维对象时经常引用的一篇文章。

音乐的产生

GaN可以应用于非图像领域，如作曲。

医疗（异常检测）

GAN还可以扩展到其他行业，例如医学中的肿瘤检测。

进一步阅读

本文展示了一些GAN的相关应用程序。如果你感兴趣想进一步研究GAN可以继续阅读以下文章：

第一部分：重点介绍如何应用gans解决深层次学习问题，以及为什么培训gans如此困难。 GAN-关于GAN的综合考察（上）

第二部分：GAN培训问题解决概述。 GAN-关于GAN的综合考察（下）

本系列中的所有文章： GaN-GaN系列（从头到尾）

以上为译文，由阿里云云栖社区组织翻译。

译文链接

文章原标题《GAN — Some cool applications of GANs》

译者：么凹，审校：Viola

文章简译，更为详细的内容，请查看原文。

更多技术干货敬请关注云栖社区知乎机构号：阿里云云栖社区 - 知乎

本文为云栖社区原创内容，未经允许不得转载。

类似的话题

GAN（对抗生成网络）可以被用于哪些（商业或潜在商业）实际问题？

GANs，也就是生成对抗网络，这东西自从问世以来，就一直是AI界的热点，也确实是实打实地在解决一些咱们日常生活中就能碰到的问题，或者说，是未来我们可能会遇到的、现在已经看到雏形的问题。咱们不妨掰开了揉碎了聊聊，看看它到底能干啥，而且是那种让人觉得“这AI挺有用的”那种。1. 艺术创作和内容生成：让“.............
生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中？

生成式对抗网络（GAN）自2014年提出以来，经历了爆炸式的发展，并在人工智能领域掀起了新的浪潮。它的核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）——相互对抗来学习数据的分布，从而生成逼真的数据。生成器试图生成越来越逼真的数据来欺骗判别器，而判别器.............
GAN 真的创造了新的信息吗？

GAN 真的创造了新的信息吗？这是一个相当深入的问题，触及了人工智能、创造力和信息本质的核心。要回答这个问题，我们需要跳出“AI 产物”的标签，深入探讨 GAN 的工作原理以及它在我们理解“创造”时的含义。GAN 的工作原理：一场“模仿”与“反模仿”的博弈GAN，也就是生成对抗网络，本质上是由两个神.............
GAN:固定训练好的判别器网络，去指导训练生成器为什么不可以？

GAN（生成对抗网络）的核心在于生成器（Generator）和判别器（Discriminator）的“对抗”与“协作”。你提出的问题——“固定训练好的判别器网络，去指导训练生成器为什么不可以？”——触及了GAN训练过程中的一个关键点，理解了这个问题，就等于抓住了GAN的命脉。核心原因：动态博弈与梯度.............
GAN的生成器是怎么产生图片的？

想象一下，我们有一位技艺精湛的画家，但这位画家什么都看不见，他唯一的任务就是尽他所能画出一张尽可能逼真的肖像。而我们还有一位挑剔的艺术评论家，他的职责是判断画作是来自一位真正的艺术家，还是出自这位“盲眼”画家之手。GAN（生成对抗网络）就是这样一个“画家”和“评论家”互相博弈的故事。生成器：那位“盲.............
GAN生成的数据没有标签怎么用来训练分类模型？

这个问题很有意思，也非常实在。我们手里有一堆GAN生成的数据，看起来挺逼真，但就是没有对应的标签。怎么才能让这些“无名氏”数据帮我们训练一个好用的分类模型呢？这就像我们突然发现了一批外星来客，长得挺像地球人，但我们不知道他们来自哪个星球。核心问题就在于，GAN生成的数据虽然在外观上模仿了真实数据的分.............
为啥gan里面几乎不用pooling？

你这个问题问得挺实在的，确实，在经典的生成对抗网络（GAN）架构里，你会发现和很多我们熟悉的卷积神经网络（CNN）相比，池化（Pooling）操作的身影要少得多，甚至在很多主流GAN模型中，几乎看不到它的存在。这背后的原因，就像是一场精心策划的“去粗取精”的博弈，GAN的独特目标和生成高质量图像的需.............
目前哪款GaN氮化镓65W充电器最推荐购买？

最近几年，氮化镓（GaN）充电器可以说是彻底火了。它小巧的体积、强大的功率输出，以及高效的发热控制，让很多人告别了沉重的原装充电器，拥抱轻便高效的新选择。尤其是在65W这个功率段， GaN充电器已经成为了许多数码爱好者和普通消费者的首选。那么，在琳琅满目的65W GaN充电器中，到底哪款最值得入手呢.............
为什么没有大功率的GaN笔记本电源？

你说“大功率GaN笔记本电源”，让我想到最近几年笔记本电源行业里的一个热门话题：氮化镓（GaN）技术的应用。但要说“没有大功率的GaN笔记本电源”，这说法有点绝对了。实际上，大功率的GaN笔记本电源是存在的，而且数量和功率都在不断增长。不过，我理解你为什么会有这样的疑问。这可能涉及到几个方面的原因，.............
为什么VAE-GAN的训练很容易发生梯度爆炸，如何避免？

VAEGAN 训练中梯度爆炸的问题，确实是困扰许多研究者和实践者的一个难题。这并非偶然，而是由 VAE 和 GAN 这两个模型的内在特性以及它们结合的方式共同决定的。要深入理解这个问题并找到有效的解决策略，我们需要一步步拆解。 VAEGAN 为什么容易梯度爆炸？首先，我们得回顾一下 VAE 和 GA.............
如何看待Yoav Goldberg 怒怼来自MILA的GAN for NLG的paper?

Yoav Goldberg 对来自 MILA 的 GAN for NLG (Generative Adversarial Networks for Natural Language Generation) 论文的批评，可以从以下几个方面来详细解读：Yoav Goldberg 的背景和立场：首先，理解.............
如何评价小米即将发布的 33W GaN 充电头？

关于小米即将推出的这款33W GaN充电头，我们可以从几个维度来好好说道说道。毕竟，小米在充电配件这个领域，无论是快充技术还是产品迭代速度，一直都挺让人关注的。首先，33W这个功率档位，怎么看？33W，这个数字本身放在今天看，不算最顶尖，但绝对是个“甜蜜点”。你想想，现在旗舰手机动辄100W、120.............