一文看懂生成对抗网络,生成式对抗网络( 二 ) _网络

。其实啊， GAN 的理论早已在我们的实际生活中运用了很多年了。美味的食物料理，不就是努力进步的厨子与越来越挑剔的食客 “ GAN ” 的结果。和谐的交通，也是不想掏钱交罚款的司机与越来越严格的交通法规共同 “ GAN ” 出来的。你看，最近五星级宾馆杯子卫生问题，就是缺少 GAN 的思想，没有一个与卫生阿姨共同进步的监督小红，果然就在打扫过程中产生了松懈，一旦换一种鉴定标准（用摄像头拍摄），就漏了馅。
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, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
如何评价英伟达发布的GAN人工智能合成系统？会引发动漫游戏的画面变革吗？

在隔夜君看来，英伟达的这项技术一定能够给动漫游戏行业带来变更的，下面是详细的解读，希望能够帮助到你。留意下方图片底行的那一组人像，正在发生缓慢的转变过程---从银发白肤色的人种，变成了黑发黑肤色的人种。注意：左边独立出来的人像照片，就是通过右方的人像特征进行合并之后得到的。再来看看第二组人像变化，从黑肤色中长头发的人士，变成了白肤色短式头发。
第三组展示了不仅脸部骨骼，即使是肥瘦的外形都能够进行随心所欲的变更。甚至能够将一位成年的黑肤色美女，重新变回幼年时期的小萝莉呢。英伟达的这套GAN系统，是构建于AI深度学习的基础之上的，通过对海量的人像照片进行识别学习，最终就能够达到我们所看到的如此游刃有余的改造人像的效果。不过上面的操作依旧只是皮毛而已，下面就来看看更为精细化的操作吧，让你们知道这款名叫“GAN”的系统在细节操控上究竟达到了何等牛逼的程度。
接下来的演示将会把合成图像进行“特征区域”排布，使得每一板块都能够对应的控制人像的某一特征。比如coarse控制“姿势”“头发”“脸型”；middle控制“面部特征”“眼睛”；fine控制“色彩效果” 。好了，马上看片---当我们试图改变控制“姿势”“头发”“脸型”特征的照片时，右边合成大图就从一位正面朝向我们的幼年小正太，变成了一位侧面对着我们的中年妇女了。
当我们将主控制特征的照片换成一位秃顶老年男人的时候，右边的合成照片又会从中年妇女变成英俊潇洒的中年男子。来看看第二个“面部特征”控制。当控制照片从中年女人变换成带着黑色墨镜男人的时候，右边合成照片就转变成了脸型臃肿的女士，饶有着富贵之相。而当主控照片换成类似于寡姐的金发女士头像的时候，右边的合成照片又会变成仿若某位好莱坞女明星的图样。
至于第三个“控制颜色”的特征。当左边的控制照片从黑头发，灰色背景换成浅灰头发，木色背景的照片时，右边的合成照片的色彩度也跟随变得浅白和暖了一点儿。当照片换成色调小清新萝莉的时候，右边的合成照片色调也同样得到了相对应的变幻，肤色从黄色皮肤变成了白皮肤。可以想见，只要英伟达愿意的话应当是能够继续将这些特征合成点进行细分的，从而就能够达到最为精准无比的合成操作了。