人工智能中GAN 的五大有趣应用_gan 应用 项目

引言

你能看出这张照片中面部的共同点吗？

这些人都不是真实存在的！这些面部图像都是由 GAN 技术生成的。

“GAN” 这个词是由 Ian Goodfellow 在 2014 年提出的，但相关概念早在 1990 年就存在了（Jürgen Schmidhuber 开创），在 Goodfellow 发出这个方向的论文之后才开始普及。从那以后，GAN 就一直不断发展！

实际上，GAN 无处不在。数据科学家和深度学习研究者使用这项技术来生成逼真的图像，改变面部表情，创建游戏场景，可视化设计，甚至生成令人惊叹的艺术作品！最近有关 AI 生成艺术作品的新闻就是 GAN 的成果：

在本文中，我们将介绍五个流行且有趣的 GAN 应用。你可能遇到过其中一些但没有注意到它们是如何工作的。另外提供了每个 GAN 应用的链接，可以查看研究一下。

GAN 介绍 GAN 的应用图像编辑安全相关生成数据注意力预测 3D 对象生成总结

GAN 介绍

我们了解了 GAN 可以做些什么。但它们是怎样运行的？这个强大的算法下面发生了什么？用一个流行的例子来理解这一点。

有一个伪造者（创造假艺术品）和一个负责检测这些假艺术品的检查者。

这个伪造者的任务模仿著名艺术家（如达芬奇）的原创绘画。如果他将这项工作作为原始艺术作品，伪造者可能会赚很多钱。

另一方面，检查员的任务是抓住这些伪造者。他应该怎么做？检查员知道真实艺术家独特的特点以及伪造者绘画的特点。检查者将这些已知的特点应用于当前的绘画，检查它是否真实。

这场伪造者与检查员的比赛不断进行，最终会成为世界级的检查员，还有世界级的伪造者。

现在将伪造者和检查者都看做机器人，当你同时训练伪造者和检查者，那你手上就有一个画家！这基本上就是 GAN 的工作原理。

GAN 的应用

我们已经对 GAN 的工作方式有了直观的认识，是时候深入研究目前常用的 GAN 有趣应用了。

图像编辑

大多数的图像编辑软件都缺少很大的灵活性对图片进行创造性的改变。例如通过改变某个年轻人的发型，使他变成一个 90 岁的人的外表。目前的图像编辑软件无法做到这一点。但是使用 GAN，我们可以重建图像并彻底改变外表。

这篇论文展示了这一前沿应用。

另一个类似的应用是从图片中去除雨滴的纹理。下面是该论文中的图像：

安全相关

人工智能的兴起对大多数行业来说都是有好处的。但真正令人担忧的是人工智能革命和网络威胁，即使是深层神经网络也容易被黑客入侵。

对工业应用的持续关注后，发现它们应该对网络攻击具有鲁棒性，因为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模型。GAN 的使用使现有的深度学习模型更加健壮。可以通过创建更多的假例子并训练模型来识别它们。非常聪明。

还有一种名为 SSGAN 的技术用来对图像进行隐写分析并检测有害编码。

生成数据

谁不想获得更多的数据来训练深度学习模型？某在些领域获取数据是很有必要的，特别是在需要有训练数据的有监督学习算法领域。医疗行业正是这样的领域。

GAN 再次发威，因为它可以生成用于监督训练的虚假数据。就是这样！你就知道下次怎样获取更多的数据。

例如，这篇论文讨论了通过 GAN 创建逼真的眼睛图像数据来训练深度学习算法。

注意力预测

当我们观察一幅图像时倾向于关注某一特定部分而不是整幅图像。这被称为注意力，是人类重要的特征。预先了解一个人的确切位置对于公司来说肯定是一个有用的功能，因为可以更好地优化定位他们的产品。比游戏设计师可以专注于游戏的某一部分，增强它的功能使其更有吸引力。

这篇论文探讨了这个技术，作者尝试使用 GAN 识别图像中最吸引人的部分。

3D 对象生成

GAN 在游戏行业也很受欢迎。

为了给玩家一种逼真的感觉，游戏设计师花费无数个小时创建 3D 头像和背景。创建 3D 模型需要付出很多努力。用 GAN 来生成 3D 对象会看起来不真实吗？观看下面这个视频可能就会相信 GAN 的强大功能，它们使整个过程自动化。

总结

在研究中已经发表了很多的 GAN 应用。希望上面介绍的 GAN 的应用可以对你有所启发，也许你可以创造自己的 GAN！如果有任何想法或建议，欢迎在做出评论。

   在线教程

• 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
• 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
• EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
• 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
• 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
• 机器学习 – 有指导和无指导情况下的基本机器学习算法
• 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
• 斯坦福统计学习

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取