GAN还能继续水论文嘛，当然能，想找创新点就来这里

对最先进技术的调研

29页综述，250篇文献!本综述旨在提供 GAN 的总体概述，总结最广泛认可的变体架构、验证指标和应用领域，并深入研究了最新的理论发展，探讨了GAN 背后的对抗原理，还研究了 GAN 与新开发的深度学习框架 (如Transformers、大语言模型和扩散模型)的集成。单位: 索邦大学等注: 论文PDF已上传至星球，可一键秒下载

自 2014 年诞生以来，生成对抗网络(GAN) 已迅速崛起，成为跨各个领域(包括计算机视觉和其他应用领域)生成真实且多样化数据的强大工具。GAN 由判别网络和参与 Minimax 游戏的生成网络组成，彻底改变了生成建模领域。 2018年2月，GAN在《马萨诸塞州科学技术评论》发布的“全球十大突破性技术排行榜”中名列第一。 多年来，人们提出了许多进展，催生了丰富的 GAN 变体，例如条件 GAN、Wasserstein GAN、CycleGAN 和 StyleGAN等。本调查旨在提供 GAN 的总体概述，总结最广泛认可的变体的潜在架构、验证指标和应用领域。 我们还深入研究了最新的理论发展，探讨了 GAN背后的对抗原理与 Jensen-Shannon 散度之间的深刻联系，同时讨论了 GAN框架的最优性特征。 GAN 变体及其模型架构的效率将与训练障碍和训练解决方案一起进行评估。 此外，还将进行详细的讨论，研究 GAN 与新开发的深度学习框架 (例如 Transformers、物理信息神经网络、大型语言模型和扩散模型)的集成。 最后，我们揭示了该领域的几个问题以及未来的研究纲要。

论文链接：https://arxiv.org/abs/2308.16316

关注公众号了解更多论文创新点