2024年4月12日发(作者：怎么写数学试卷写的快)
262021，57（8）
ComputerEngineeringandApplications计算机工程与应用
生成对抗网络及其图像处理应用研究进展
王晋宇
1
，杨海涛
2
，李高源
1
，张长弓
1
，冯博迪
1
1.航天工程大学研究生院，北京101416
2.航天工程大学航天信息学院，北京101416
摘要：生成对抗网络（GAN）是一种基于对抗思想的架构体系。作为人工智能大发展背景下诞生的前沿算法，
GAN已经在图像处理的多个领域取得了显著的成果。从传统GAN的算法入手，对其模型架构、数学机理、优缺点进
行剖析。总结了具有代表性的GAN变体，并对GAN在图像处理方面的前沿应用进行介绍。结合现有GAN发展依
然存在的问题，对GAN的发展趋势进行了展望。
关键词：生成对抗网络；纳什均衡；结构变体；损失变体
文献标志码：A中图分类号：TP391doi：10.3778/.1002-8331.2011-0322
ResearchProgressofGenerativeAdversarialNetworkandItsApplicationinImageProcessing
WANGJinyu
1
,YANGHaitao
2
,LIGaoyuan
1
,ZHANGChanggong
1
,FENGBodi
1
teSchool,SpaceEngineeringUniversity,Beijing101416,China
ofSpaceInformation,SpaceEngineeringUniversity,Beijing101416,China
Abstract：GenerativeAdversarialNetwork（GAN）ting-
edgealgorithmbornunderthebackgroundofthegreatdevelopmentofartificialintelligence,GANhasmaderemarkable
ngwiththetraditionalGANalgorithm,themodelstructure,math-
ematicalmechanism,resentativeGANvariantsaresumma-
rized,edwiththeexistingproblemsinthe
developmentofGAN,thedevelopmenttrendofGANisprospected.
Keywords：GenerativeAdversarialNetwork（GAN）;Nashequilibrium;structurevariant;lossvariant
深度学习于2012—2013年在计算机视觉领域成为
新的最优算法
[1]
。其最具有代表性的技术为卷积神经网
络和反向传播算法，以此为基础在计算机视觉领域产生
了重大的突破。图像生成算法是计算机视觉重要的研
究方向之一，传统的生成算法主要有特征变换法
[2]
、玻尔
兹曼机
[3]
、变分自编码器法
[4-5]
、近似推理马尔可夫链法
[6-8]
等，但是这类算法存在模型拟合简单、算法原理复杂的
缺点。GAN作为在深度学习大发展背景下产生的数据
生成算法，以其独特的双网络对抗思想在众多生成算法
中脱颖而出，在2016年Goodfellow等提出GAN以来，
相关领域的论文发表数量呈指数级增长。图1列出了
在论坛统计的GAN每年的发文数量，可以看出对GAN
的研究已经成为当前热门方向之一。
GAN是一个应用性较强的算法体系，其衍生变体
都围绕着高质量、多样性进行。发展历程目前经历了三
个阶段：
[9]
2020
图1GAN发文统计
（1）探索阶段（2014—2016年）
这个阶段GAN的算法刚开始被人们所接受，借助
其思想衍生出不同的GAN算法，如深度卷积式、条件
式、金字塔生成式。但是生成效果普遍一般，不能部署
于实际应用中，主要贡献在于为之后GAN的发展奠定
了基调。
（2）发展阶段（2016—2018年）
这个阶段是GAN发展较为旺盛的时期，突出特点
作者简介：王晋宇（1994—），男，硕士研究生，主要研究方向为深度学习、遥感图像处理，E-mail：********************；杨海涛
（1978—），通信作者，男，博士，副教授，主要研究方向为大数据分析、机器学习和数据挖掘。
收稿日期：2020-11-20修回日期：2021-01-25文章编号：1002-8331（2021）08-0026-10
王晋宇，等：生成对抗网络及其图像处理应用研究进展
2021，57（8）
27
为算法原理风格迥异，模型结构各不相同，但大都取得
了较好的效果。针对GAN模型坍塌、梯度消失等问题
进行了系统的探讨和研究。
（3）应用阶段（2018年至今）
这个阶段的GAN算法主要聚焦于图像处理、NLP、
视频处理等领域，应用性较强。在总结前人所研究算法
的基础上，针对不同的专题背景设计不同的GAN模
型。高复杂度、大计算量是这个时期GAN算法的突出
特征，样本生成的质量及多样性有了显著的提高。
上，G希望生成图像
G(z)
在D中可判定为真，而D希望
将真实图像
x
判定为真，生成图像
G(z)
判定为假。
GAN的目标函数如下：
minmax
V
(
D,G
)
=E
x~P
data
(
x
)
[
lbD
(
x
)
]
+
G
D
E
z~P
Z
(
z
)
lb1-D
(
G
(
z
)
)
[
()
]
（4）
从目标函数的角度来看，式（4）中
E
x~P
data
(
x
)
[
lbD
(
x
)
]
表示真实数据在D中的期望，需要最大化此项。
E
z~P
Z
(
z
)
lb1-D
(
G
(
z
)
)
表示生成数据在D中的期望，D
[
()
]
1生成对抗网络GAN
1.1GAN数学原理
KL散度也称为相对熵，是信息论中重要的内容，是
Q
，衡量两个分布之间差距的公式。设两个分布
P、
则
希望最大化此项，G希望最小化此项，这也是GAN对抗
过程的体现。在实际的训练过程中通常采用先固定G
训练D，后固定D训练G的思路。
GAN的突出特征在于双网络设计，明确地提出了
利用对抗训练方式可以很好地拟合真实数据分布，从而
达到样本生成的目的。同时GAN也存在一些弊端，使
（1）
得其训练过程产生不稳定的现象。主要体现在以下几点：
（1）无法处理离散数据
GAN的优化核心在于梯度更新，而这个过程建立
（2）
在函数可微的基础上，因此GAN不能很好地处理离散
数据，这也使得其在NLP等领域发展缓慢。
（2）模式坍塌
模式坍塌
[14]
是GAN最常见的失败方式，指生成的
数据只朝一个或有限个方向发展。造成的结果是输入
的数据往往含有多个种类的图像，而实际的生成图像却
只有一种或几种。
（3）梯度消失
在训练GAN网络的过程中，如果真实数据和生成
数据分布之间的距离过近，重叠程度过多的情况下，便
[10]
二者的相对熵为：
KL(P||Q)=
x∈X
∑
P
(
x
)
lb
Q
(
x
)
P
(
x
)
KL散度的不对称性表达为：
KL(P||Q)≠KL(Q||P)
一般的，对于两个完全相同的函数，
KL=0
。KL
越大，函数之间的差异越大。但由于KL散度具有不对
称性，实现起来较为困难，因此在此基础上对式（3）取平
均，可以得到JS散度公式如下：
JS(P||Q)=
1
[KL(P||Q)+KL(Q||P)]
（3）
2
以JS散度为例，G的目标在于最小化JS散度，D的
目标在于最大化JS散度。
1.2模型架构及训练思路
最原始的GAN由GoodFellow提出，并在MNIST、
[11][12]
会造成梯度消失的问题。
TFD
、CIFIR-10等简单数据集上产生了不错的效果，
作为基于对抗思想的一种生成算法，主要由生成器G和
鉴别器D组成，模型架构如图2所示。
GAN的训练思路灵感来源于博弈论中的纳什均
衡，，即对抗的双方在非合作的博弈中都希望达到自
己所期望利益的最大值。如图所示，生成器可接收由隐
空间
Z
采样而来的随机噪声
z
，同时输出生成图像
同时输出图像的真假标
G(z)
。鉴别器可接收图像数据，
签。GAN架构的对抗部分体现在生成器G和鉴别器D
真实
数据
（data）
[13]
1.3评价方法
对于GAN算法的评价方法主要有主观评价和客观
评价两种，主观评价方法主要是基于人眼视觉而定，若
生成器可以生成人眼难以区分的样本数据，则可认为该
算法具有良好的生成能力。GAN主要利用各种评分算
法来进行模型生成效果的评估。最常用的客观评价方
法主要有IS
[15-16]
、FID
[17]
两种，二者可以同时对图像生成
质量和多样性进行评价。此外Neuroscore
[18]
、SWD
[19]
、
MMD
[20]
等方法也可用于客观评价中。
反馈
采样
真实图像
x
鉴别器
判定
真/假
D
损失
隐空间
Z
随机
噪声
(z)
生成器
G
生成图像
G(z)
反馈
图2GAN模型架构
282021，57（8）
ComputerEngineeringandApplications计算机工程与应用
（1）InceptionScore（IS）
IS最初应用于Imagenet
[21]
上。利用Imagenet训练
一个GAN网络，将其生成的样本输入已经经过预训练
的InceptionV3网络中，会返回一个判别概率值。对于
同一类别样本数据来说，其输出的概率应当趋向于集中
分布，而对于不同类别来说，其输出的概率应当趋向于
均匀分布。IS分数的公式如下：
IS(G)=exp(E
χ~P
g
D
KL
(P(y|χ)||P(y)))
（5）
式中，
χ~P
g
表示从样本空间
P
g
中生成图片
χ
，
P(y|χ)
表示生成图片属于某一类别的概率，
P(y)
表示所有类
别的边缘概率分布。IS分数实际上是在判断条件类分
布与类分布之间的KL距离，IS越大则模型的质量越
好。但IS在判断模型是否有过拟合缺陷方面并不敏感，
尤其是在大规模数据集上。同时由于IS只在生成模型
上进行预测，因此无法判断真实数据和样本间的距离。
（2）FréchetInceptionDistance（FID）
为了弥补上述IS分数的缺陷，FID可以反映生成样
本与真实数据之间的距离，其公式如下：
FID=
μ
r
-μ
g
+T
r
(Σ
r
+Σ
g
(Σ
r
Σ
g
))
2
1
2
（6）
FID分数相较于IS具有较强的鲁棒性，其通过Incep-
tionV3网络来进行特征的提取，构成了真实样本和生成
样本两个概率分布。通过评价这两个分布之间的距离
来达到模型评价的目的，FID由于其优良的噪声抵抗能
力，在模型多样性评价方面具有更好的效果。但是FID
的缺点在于依然没有解决大规模数据集上无法进行模
型过拟合评价的问题。
IS和FID由于都经过了基于Imagenet的预训练网
络，因此实际上对于评价与Imagenet相差较远的图像来
说达不到预期效果。
2.1.1深度学习生成GAN
DCGAN
[23]
作为第一个将卷积神经网络思想引入
GAN中的算法，已经成为了GAN模型的基准
[24]
。深度
学习的任务是发现丰富的、有层次的模型
[25]
。而卷积神
经网络（CNN）由于其良好的平移不变性，成为了深度学
习代表性方法。真正意义上的CNN由文献[26]提出，
LeCun等人
[27]
利用LeNet-5提出了一种基于反向梯度传
播的算法。此后CNN快速发展，并广泛应用于图像处
理、自然语言处理等领域。
深度卷积生成对抗网络DCGAN是一种将CNN与
GAN有机结合的一种生成算法
[28]
。作为最大似然方法
的替代方案，其特点在于生成器和鉴别器的网络结构都
采用了卷积神经网络，且均没有使用池化层。
DCGAN采用“卷积+上采样”的设计方式，G可以进
行矢量加减，其使用的BN技巧极大地减小了初始化
训练时造成的不稳定学习问题。生成器的卷积层采用
ReLU
[29]
作为激活函数，输出层采用Tanh作为激活函数，
鉴别器激活函数全部采用LeakyReLU。在训练过程中
对D和G采用了批量归一化
[30]
的技巧。这样便不用考
虑在训练的过程中DropOut
[31]
、L2正则项等方法带来的
参数选择问题。作为一种典型的无监督学习算法，其反
向卷积神经网络（也称为转置CNN）用来生成样本，同
时也可以实现CNN特征的可视化，并表现出了良好的
效果
[32]
，DCGAN生成器结构如图3所示
[23]
。
2.1.2半监督生成GAN
GAN最初应用于无监督学习领域，而Odena提出的
SGAN
[33]
介绍了一种基于半监督学习的模型训练方法，
其结构如图4所示。半监督学习介于监督学习与无监
督学习之间，只需要提供在一定范围内的小样本集标
签。在此之前，Kingma等人
[34]
已经对半监督生成模型
进行了初步尝试，同时Springenberg
[35]
设计了一种基于
半监督学习的GAN，SGAN的结构图如图4所示，在原
始GAN架构的上加入了分类器C，在判别器中分别使
用Softmax
[36]
和Sigmoid
[37]
函数，这样可以在对样本真假
进行区分的同时，也能够对大量未标签的真实数据进行
分类。
2.1.3条件式生成GAN
传统的GAN中由随机噪声产生样本数据，因此存
在信息生成不可控的缺陷，训练过程自由度过高。van
denOord等人
[38]
指出利用类条件合成的方法可以显著
2GAN模型的发展变体
GAN诞生后，针对不同的计算性能及应用需求，衍
生出多种变体模型。GAN的发展变体大致分为基于结
构和基于损失函数两类
[22]
。
2.1基于结构变体的GAN
基于结构变体的GAN是生成对抗网络重要的创新
方向之一，本节分别从五个角度对其进行介绍，并重点
分析了其代表算法。总结如表1所示。
表1
核心思想
深度学习生成
半监督生成
条件式生成
渐进式生成
编解码生成
代表算法
DCGAN
SGAN
CGAN
LAPGAN
BEGAN
特点
结合深度学习，易于推广
可对大量未标签数据分类
增加训练稳定性，降低训练时间
上采样，提高生成图像尺寸
结构变体GAN
缺陷
不适用于文本数据的处理
仅增加了多分支的激活函数，限制了样本多样性
需要大量手工标注的条件数据
连续上采样，容易引入噪声
适用于人脸图像生成，无法生成自然图像平衡点均衡程度有明确指标，可以生成高质量图像
王晋宇，等：生成对抗网络及其图像处理应用研究进展
3
2021，57（8）
29
128
256
512
1024
100z
16
8
5
5
8
CONV1
Stride2
16
Stride2
5
5
32
5
5
32
CONV3
Stride2
64
5
5
Stride2
4
4
Projectandreshape
CONV2
64
CONV4
G(z)
图3
反馈
0，
1，
2，
分类
︙
m
鉴别器D/
分类器C
生成图像
G(z)
判定
真/
假
DCGAN
如图5所示，此外，在条件式生成思想下，Chen等借
鉴了信息论的思想，提出了一种基于信息量最大化的生
成对抗网络InfoGAN
[41]
，试图利用信息论的知识来解释
无监督学习方式中的信息表征问题。Odena等人提出
损失
真实图像
x
随机
噪声
(z)
了AC-GAN
[42]
，并成功运用于大范围类别标签数据中。
生成器
G
反馈
图4SGAN
提高生成样本的质量。如图5所示，CGAN
[39]
在传统的
GAN网络中加入了附加条件信息
y
，用于控制G和D
的训练进程。其中
y
可以是类别标签，也可以是修复数
据的某一部分，或来自于不同的模态数据
[40]
。CGAN显
著提高了模型训练的稳定性，也为后续的条件式生成对
抗网络提供了参考，其目标函数及架构如下所示，其中
Y
作为D和G的附加输入层：
minmax
V
(
D,G
)
=E
x~P
data
(
x
)
lbD
(
x|y
)
+
G
D
E
z~P
Z
条件信息
y
真实图像
x
[]
é
lb
(
1-D
(
G
(
z|y
)
)
)
ù
()
ëû
z
（7）
反馈
随机
噪声
(z)
鉴别器
判定
真/
假
D
生成器
G
生成图像
G(z)
反馈
损失
图5CGAN
2.1.4渐进式生成GAN
渐进式生成算法的核心思想在于层层递进的生成
方式，不同的生成节点完成各自的生成任务。最具代表
性的为Denton等人提出的LAPGAN
[43]
，该结构的生成
器部分由一个串联的网络构成，可以将低分辨率的输入
图像转换为高分辨率的生成图像。拉普拉斯金字塔
[44]
是一种图像编码方式，LAPGAN的特点在于在金字塔
的每一层训练一个单独的生成对抗网络模型，是一种由
粗到细的图像生成框架。通过输入低分辨率的低维图
像，再将图像进行层层上采样操作，最终产生高维图
像。这样做的目的在于降低输入数据的复杂程度，同时
又可以提高图像生成的多样性。但是由于其在生成的
节点中容易引入噪声，因此会造成训练不稳定的问题。
LAPGAN有利于高分辨率的图像建模，但是对于指定
任务的图像生成较为困难。其结构如图6所示。
2.1.5编解码生成GAN
编解码是信息论重要的研究内容之一，即对信源符
号进行信息正向压缩，对信宿内容进行反解变换的过
程。在通信系统信息传输过程中，信源需要经过编码才
可传入信道，同样只有经过解码，信宿才可接收到信
息。由于信息在经过通信系统后会产生损耗，而编解码
方法可以提高数据压缩的效率和数据传输的准确度。
如李江等人利用编解码技术中的降噪自编码器原理，成
功实现了人脸表情识别
[45]
。
+
h
1
G
1
z
1
I
2
l
1
h
2
+
G
2
z
2
l
2
I
3
G
3
z
3
+
I
0
l
0
G
0
h
0
z
0
I
1
图6LAPGAN
302021，57（8）
ComputerEngineeringandApplications计算机工程与应用
BEGAN
[46]
作者借鉴了EBGAN
[47]
中编解码的思想，
在鉴别器中加入了一个自编码器。如图7所示，数据在
经过编解码后，与原输入信息相比会产生大小不同的损
失，称为重建损失。传统的GAN采用直接拟合真实分
布的策略，及通过计算真实分布与生成分布之间的距
离，来达到生成样本的目的。而BEGAN与之不同，它
重点计算数据重建之后分布误差之间的距离。若二
者接近的话，也可以完成训练任务。值得注意的是，
BEGAN第一次将GAN的均衡点进行了证明，同时提供
了一种可以平衡生成质量和多样性的超参数。
别器的目标函数变得平滑，但是这种方法容易造成训练
困难、收敛缓慢的问题。因此，文献[49]提出了WGAN-GP
算法，通过在原WGAN基础上加入惩罚项的方法，使得
判别器对
x
的输出梯度限制在了1以内，实现了与1-
Lipschitz约束条件等价的效果。
2.2.2统一框架f-GAN
f-GAN
[50]
提出了一种利用
f
散度进行GAN训练的
Q
之间的距离系列方法。该文指出在衡量两个分布
P、
时，不仅JS散度适用，任何满足条件的散度集合都可以
指导模型的训练。这个散度集合统称为
f
散度，其公式
如下：
æ
p
(
x
)
ö
D
f
(P||Q)=
∫
x
q
(
x
)
f
ç÷
dx
()
qx
èø
其中，
f
满足两个条件，凸函数及
f(1)=0
。
2.2基于损失变体的GAN
损失函数是GAN对抗过程的重要体现之一，决定
着D和G的参数更新方向。在基于损失变体的GAN
中，分别从Wasserstein损失、统一框架
f
散度、最小二乘
损失角度进行总结，如表2所示。
表2
生成方式
WGAN
（10）
因此，在
f
散度框架下，只要能找出符合散度要求
的函数，便能够据此定义不同的目标函数，设计不同的
缺陷
权重剪枝导致训练困
难、收敛缓慢
样本生成多样性不足
对
f
函数适用场景未
进行定义
当D足够强大时，G依
然存在梯度弥散问题
损失函数变体GAN
特点
GAN。
f
函数如表3所示。
表3
散度
Pearsonχ
2
Neymanχ
2
解决了梯度消失问题
WGAN升级版，解决了权
f
散度框架函数
f(u)
u-1
2
u-1
2
u
ulbu
-ulbu
-
(
u+1
)
lb
1+u
ulbu
2
1
μ
α
-1-α
(
μ-1
)
α
(
α-1
)
WGAN-GP
重剪枝的不足，保持了训
练的稳定性
统一框架，增加了损失函
数设计能力
增加了决策边界分类能
力，提高了图像生成质量
f-GAN
LSGAN
KL散度
逆KL散度
JS散度
α
散度
2.2.1Wasserstein距离WGAN/WGAN-GP
传统的GAN在训练过程中，如果训练样本与生成
样本之间如果距离过近时，JS散度为一个常数，这时候
就会产生梯度消失问题。Arjovsky等人提出了一种基
于EM距离（也称推土机距离）的算法WGAN
[48]
，彻底解
决了GAN的梯度消失问题，同时也增加了训练的稳定
性。与KL、JS散度相比较，EM距离由于是连续的，即使
分布之间没有重叠也可以很好地计算距离。EM距离的
公式如下：
W
(
P,Q
)
=
V
(
G,D
)
=
γ∈Π
(
P,Q
)
()
infE
(
x,y
)
~γ
x-y
[]
G
（8）
根据EM距离，WGAN的目标函数为：
D∈1-Lipschitz
max
{
E
x~P
data
[
D
(
x
)
]
-E
x-P
[
D
(
x
)
]
}
（9）
WGAN存在无法直接实现1-Lipschitz约束条件的
缺点，在实际应用中使用权重剪枝的方法，使得判别器
更新后的值限制在
(-c,c)
范围内。这样可以强行使判
真实图像
x
2.2.3最小二乘LSGAN
LSGAN
[51]
是一种具有高质量图像生成和高稳定性
训练特征的GAN算法，其突出特征在于采用了最小二
乘原理。传统的GAN大多使用交叉熵、KL散度等作为
损失函数，在判别器判定某种分布为1的情况下，这些
样本便不会继续得到优化。这会使判定为真且远离决
策边界的假样本停止更新。而在最小二乘损失下，这些
样本会继续得到优化，从而有利于对假样本的排除，这是
使得生成图像质量更高的原因。LSGAN的目标函数为：
2
ù
+
()
min
V
LSGAN
(
D
)
=
1
E
x~p
data
(
x
)
é
Dx-b
()
ëû
D
2
1
E
é
DG
(
z
)
-a
2
ù
(
()
)
û
2
z~p
z
(
z
)
ë
2
ù
()
min
V
LSGAN
(
G
)
=
1
E
z~p
z
(
z
)
é
DGz-C
()
ëû
G
2
()
（11）
鉴别器D
编码器
Encoder
解码器
Decoder
重建损失
随机
噪声
(z)
生成器
G
生成图像
G(z)
图7BEGAN
王晋宇，等：生成对抗网络及其图像处理应用研究进展
3GAN在图像处理方面的应用
3.1高质量图像生成
GAN在设计之初就是为了进行图像的生成，围绕
高质量图像生成这一内容衍生出多种GAN算法。主要
分多样本训练、少样本训练、图像超分等方向。
针对多样本训练的GAN算法来说，DCGAN和
LAPGAN分别采用了CNN和拉普拉斯上采样两种方
法，但是二者都无法进行大尺寸图像生成。吴春梅等
人
[52]
利用DCGAN架构提出了一种基于深度学习的
GAN网络，实现了静态图像人体姿态估计。真正意义
上大尺寸图像生成的提出为ProGAN
[53]
，属于一种渐进
式生成GAN算法。利用渐进式神经网络
[54]
的思想提出
了一种增长型训练的方式，其核心在于动态更新的生成
器网络。这种图像生成技巧较大幅度地提高了训练的
有效性，但是由于其生成器模型需要不断更新，会带来
训练周期较长的问题，降低了训练效率。ProGAN在
CelebA中的训练效果如图8所示。
图8ProGAN
针对单样本或少样本学习来说，Li等人利用W损
失设计了一种生成对抗网络AFHN
[55]
用于少量样本学
习，通过加入分类和抗塌陷正则化器提高合成特征的多
样性。Shaham等人
[56]
提出了SinGAN，该算法可以从单
张的自然图像学习生成高质量图像，SinGAN将图像进
行切分，从而学习单张图像中某小块数据的分布。由于
使用全卷积网络，因此并不需要设定输入尺寸，可以生
成与原图相似，但有细微差别的高质量图像。
图像超分也是高质量图像生成的方式之一，其目的
在于通过算法将低分辨率的图像转为高分辨率的图像，
文献[57]第一次提出了这个问题。GAN在图像超分中
应用最广泛的算法为SRGAN
[58]
，这是第一个能够根据4倍
的放大因子推断出逼真的自然图像的框架。彭晏飞等
人提出了一种基于生成对抗网络的单张图像的超分辨
率重建方法
[59]
。
此外，武随烁等人将孪生注意力机制与GAN进行
结合，提出了一种新型GAN框架，证明了该方法能够更
加全面地获取图像中的特征信息，从而可以获得更高质
量的生成样本
[60]
。BiGAN
[61]
利用VAE架构，提出了一
种新的优化思路，BigGAN
[62]
算法使得Batch_size达到
了2048，也带来了高保真、高细粒度的生成样本。Big-
BiGAN
[63]
将BiGAN和BigGAN结合起来，弥补了DCGAN
的不足，使得图像生成质量进一步提高。
2021，57（8）
31
3.2图像变换
图像变换是GAN重要的应用方向之一，GAN强大
的函数拟合能力使其在风格迁移、人脸合成、场景渲染、
图像跨域等方面产生许多有价值的应用。
图像风格迁移是指将按照B图像的风格来生成A
图像的过程，这种应用主要在旧图像上色、模拟换装等
方面进行应用，Isola等人
[64]
讨论了Image-to-Image的通
用解决方案。在计算机视觉领域，图像生成大多都是将
已经输入的图片“转换”成对应的输出图片，实质上是一
个图片模仿的过程。CycleGAN
[65]
是图像风格转换最有
代表性的算法，核心思想为循环一致性，利用两个转换
器的损失所构成的重构误差来进行训练，并带来了许多
有趣的应用，如季节的转换、马与斑马的转换、油画风格
转换等。
StyleGAN
[66]
在人脸合成领域取得了较好的成果，其
将生成器的起点设置为一个常量，在网络的每个卷积层
中作用一个隐空间编码，来达到控制样式的目的。同时
借鉴了ProGAN中层层递进的思想，其结果如图9所示。
B
e
c
r
u
o
S
SourceA
图9StyleGAN
图像场景渲染是图像处理中一个富有挑战性的任
务，针对高分辨率白天图像渲染问题，文献[67]提出了
一种高分辨率日间转换模型（HiDT），HiDT的架构由
编解码器组成，并通过AdaIN
[68-69]
链接在一起。在训练
过程中用到了没有白天标签的静态景观数据集，利用
Image-to-Image以及文中新设计的上采样方案，可以达
到昼夜转换的效果。
图像跨域也是图像变换的常见问题之一，先前文
献[70]已经进行了相应的研究，实现了从边框生成手提
包的功能。在漫画领域，图像上色是一个费时费力的工
作，对于漫画自动上色问题早期在文献[71-73]中进行了
研究。对于素描图像来说，有着色彩单一、信息不够丰
富的缺点，对其进行颜色填充是近年来十分热门的方向
之一。2020年文献[74]提出了一种将素描风格转换为
图像风格的算法，该算法使用增强自参考的思想，设计
了一种特征转移模块，将参考点表示转移到了草图对应
的空间位置、获得了逼真的草图漫画上色效果。
3.3文本生成图像
文本生成图像是GAN领域富有创造性的研究方向
之一，同时也拥有广泛的应用前景。其主要目的是利用
322021，57（8）
ComputerEngineeringandApplications计算机工程与应用
现有的语言描述来生成对应特征的图像，Reed等人在
文献[75]设计了一种由文本生成图像的GAN算法，加入
了流形插值正则化器。文献[76]也进行了相应尝试，并
成功生成了符合语义条件的64×64图像。但是由于其细
节信息丢失严重，因此成像质量较差。针对基于文本引
导的高分辨率图像生成背景，StackGAN
[77]
产生了良好的
效果。其核心算法在于分阶段生成，文章又在整个训练
过程引入了条件强化技术，增加了生成对象的平滑特性。
同时，GAN在文本生成图像方面已经具有实际应
用，CookGAN
[78]
是一种基于文本生成菜单的GAN算法，
该文从图像因果链的角度来解决文本生成图像问题，可
以生成符合条件的菜肴样本。TiVGAN
[79]
设计了一种根
据文本可以生成视频序列的架构。
3.4图像修复
图像修复是指利用学习到的图像信息或者修复模
式，对受到损害的图像进行补全或修改的技术。图像修
复可以运用于图像补全、图像去模糊等众多场景中。早
期对于图像修复的研究见于文献[80-81]中，GAN由于
其具有良好的拟合真实分布的能力，在图像修复方面表
现出较好的效果。
在图像补全方面，UCTGAN
[82]
是一种新的基于GAN
的修复算法，采取了端到端的方式，通过条件编码器模
块、流形模块、生成模块三模块的设计，可以提供多个修
复方案，其效果如图10所示。实验证明对于人脸、街
景、自然风光修复方面，可以提供更好的解决方案。此
外，王海涌等人对传统GAN算法进行改进，将其应用于
局部遮挡的人脸表情识别中
[83]
。
图10UCTGAN
在图像去模糊方面，Engin等人
[84]
改进CycleGAN的
架构，可以有效去除图像中的雾。Lin等人
[85]
提出了基
于文档去阴影的应用场景。该算法提出了背景估计文
档阴影去除网络（BEDSR-Net），通过背景估计模块的设
计，学习了背景和非背景模块的空间分布信息，并将这
些信息编码为注意力地图。通过估计全局背景颜色和
注意力贴图，阴影去除网络可以更好地恢复无阴影图像。
4总结与展望
GAN在近年来已经成为了热门的研究方向。虽然
起步时间较晚，但是发展迅猛，在图像处理的众多领域
已经做出了重要贡献。作为一种无监督学习的方法，和
监督学习、半监督学习进行结合，同样可以产生良好的
效果。从长远来看，这种具有创造性的模型体制正处于
稳步上升阶段。但由于其本身存在模型坍塌、梯度消失
等问题，依然制约着其生成效果、训练效率、应用范围，
具体表现如下：
（1）图像生成多样性较低
图像生成多样性一直是GAN研究领域的重要问题
之一，传统GAN算法只能拟合小尺寸的简单数据集，生
成图像复杂度较低。此后GAN算法一直都围绕图像多
样性展开。现有的GAN算法已经可以生成难以区分的
高质量图像，但在图像多样性发展中会有众多因素制
约，往往会与图像尺寸、模型复杂度等其他因素产生矛
盾。例如，作为GAN与深度学习结合最具代表性的模
型，DCGAN使得图像生成多样性有所提高，但是其只
能局限在低分辨率图像生成范围内。CGAN由于加入
了条件约束，增加了训练稳定性，但是同时也造成了生
成多样性不足的缺陷。
（2）模型训练效率不足
模型训练效率的不足主要是指两点：
①
由模型坍
塌、梯度消失带来的训练不稳定；
②
复杂的模型结构及
冗余信息造成的训练周期过长。例如，LAPGAN由于
采用了多个生成器连续进行金字塔生成的方法，在一定
程度上有利于高分辨率建模，但是其训练过程产生的额
外噪声拖慢了训练速度。ProGAN在人脸生成上取得
了显著的成功，但是其动态更新的生成器使得图像生成
的整个过程变得异常缓慢，1024×1024的图像在高性
能计算机中训练时长可达16天之久。
（3）评价标准体系不完善
现有对GAN的评价指标主要有主观评价和客观评
价两种，存在以下几点问题：
①
主观评价标准的建立未
分级量化；
②
客观评价标准并未做到科学统一。
（4）算法应用领域研究不广泛
GAN在较短的发展年限内已经应用于多个领域，
但是多局限于图像处理范畴，许多算法只提及其可实现
的功能，而未说明其利用价值。且在诸如NLP等领域发
展缓慢。主要原因有：
①
具有实际利用价值的算法在
图像生成真实性上存在质疑，在主观视觉上无法满足应
用需求；
②
缺乏泛化能力，在实验数据上效果良好，但
无法移植到其他场景。例如，Li等人
[86]
于2017年提出的
一种基于复杂场景的图像修复方法，实际效果并不能达
到以假乱真。UCTGAN提供的多个修复方案中依然存
在一些失真问题，不被人眼视觉所能接受。CookGAN
针对烹饪过程进行语义上的建模，但应用于其他场合需
要进行大量的参数调整。
通过对现有GAN算法及其应用的归纳总结，以及
现阶段GAN存在问题的梳理，总结出以下几个可供发
展的方向，主要包括：
王晋宇，等：生成对抗网络及其图像处理应用研究进展
（1）注重基础算法研究，要解决实际问题，就要从结
构、损失函数角度进行算法的设计。如充分利用条件式
生成对抗网络以及深度学习原理，对流程架构进行调
整，并设计更加合理的约束条件。在保证图像生成质量
以及训练稳定性的前提下，增加图像的多样性生成能力。
（2）探讨内部机理，当前阶段GAN与深度学习已不
可分割，而深度学习目前依然是个黑箱，其内部机理的
研究不够深入，这也直接导致了GAN算法存在同样的
问题。因此选择合适的工具，探究现有算法内部的信息
流传递机理，以此来寻找制约模型训练失稳、周期较长
问题的解决方法，并加以改进。
（3）规范评价标准，明确标准建立的科学性、综合
性，注重跨领域融合。如可以参考已有的图像主观评价
标准，建立基于GAN的主观评价量化指标。针对生成
图像信息量的客观评价指标体系，对性能、过拟合程度
等指标进行系统研究并建模。
（4）扩大应用范围，注重算法跨领域移植的能力。
如可以将GAN图像生成应用于遥感图像智能处理中。
近年来GAN算法的数量成倍扩增，其中不乏可以直接
部署于遥感图像处理中的优良算法。如DCGAN可以
用于遥感数据样本扩增，SinGAN可以用于高分辨率单
景图像生成，CycleGAN可以用于时序数据修改，BEDSR-
Net可以用于遥感图像去云等。
5结束语
GAN在短短不足十年的发展中，所展现出的张力
对图像处理领域产生了巨大的冲击。从发展的三个阶
段来看，目前GAN算法的复杂性正不断提高，带来更好
使用效果的同时对计算资源的支撑也带来了不小的挑
战。总而言之，高质量、高多样性、强泛化能力依旧是GAN
在图像处理领域不变的主题。
参考文献：
[1]弗朗索瓦，张亮.Python深度学习[M].北京：人民邮电出版
社，2019：17-18.
[2]CHOIJY，SUNGKS，levehicles
detectionandtrackingbasedonscale-invariantfeature
transform[C]//Proceedingsof2007IEEEIntelligentTrans-
e，WA，USA：IEEE，
2007：528-533.
[3]SALAKHUTDINOVR，ltzmann
machines[C]//ArtificialIntelligenceandStatistics，2009：
448-455.
[4]KINGMADP，-encodingvariational
bayes[J].arXiv：1312.6114，2013.
[5]REZENDEDJ，MOHAMEDS，stic
backpropagationandapproximateinferenceindeepgen-
erativemodels[J].arXiv：1401.4082，2014.
[6]ACKLEYDH，HINTONGE，SEJNOWSKITJ.A
2021，57（8）
33
learningalgorithmforBoltzmannmachines[J].Cognitive
Science，1985，9（1）：147-169.
[7]HINTONGE，OSINDEROS，earning
algorithmfordeepbeliefnets[J].NeuralComputation，
2006，18（7）：1527-1554.
[8]HINTONGE，SEJNOWSKITJ，ann
machines：constraintsatisfactionnetworksthatlearn[Z].
Pittsburgh，PA：ment
ofComputerScience，1984.
[9]GOODFELLOWIJ，POUGET-ABADIEJ，MIRZAM，
tiveadversarialnetworks[J].arXiv：1406.2661，2014.
[10]LECUNY，andwrittendigitdata-
base[EB/OL].[2020-05-10].http：///exdb/mnist.
[11]SUSSKINDJ，ANDERSONA，onto
facedataset：TechnicalReportUTMLTR2010-001[R].2010.
[12]KRIZHEVSKYA，ngmultiplelayers
offeaturesfromtinyimages[J].HandbookofSystemic
AutoimmuneDiseases，2009，1（4）.
[13]SIMONYANK，epconvolutional
neworksforlarge-scaleimagerecognition[J].arXiv：1409.
1556，2014.
[14]SRIVASTAVAA，VALKOVL，RUSSELLC，：
reducingmodecollapseinGANsusingimplicitvaria-
tionallearning[C]//AdvancesinNeuralInformationPro-
cessingSystems，2017：3308-3318.
[15]BARRATTS，ntheinceptionscore[J].
arXiv：1801.01973，2018.
[16]SALIMANST，GOODFELLOWI，ZAREMBAW，etal.
ImprovedtechniquesfortrainingGANs[J].arXiv：1606.
03498，2016.
[17]HEUSELM，RAMSAUERH，UNTERTHINERT，etal.
GANstrainedbyatwotime-scaleupdateruleconverge
toalocalNashequilibrium[C]//AdvancesinNeuralInfor-
mationProcessingSystems，2017：6626-6637.
[18]WANGZ，HEALYG，SMEATONAF，
neuralsignalstoevaluatethequalityofgenerativeadver-
sarialnetworkperformanceinfacialimagegeneration[J].
CognitiveComputation，2020，12（1）：13-24.
[19]RABINJ，PEYRÉG，DELONJ，steinbary-
centeranditsapplicationtotexturemixing[C]//Interna-
tionalConferenceonScaleSpaceandVariational
，Heidelberg：Springer，
2011：435-446.
[20]GRETTONA，BORGWARDTKM，RASCHMJ，etal.
Akerneltwo-sampletest[J].TheJournalofMachine
LearningResearch，2012，13（1）：723-773.
[21]DENGJ，DONGW，SOCHERR，et：alarge-
scalehierarchicalimagedatabase[C]//IEEEConference
onComputerVisionandPatternRecognition，2009：248-255.
[22]WANGZ，SHEQ，tiveadversarial
networksincomputervision：asurveyandtaxonomy[J].
arXiv：1906.01529，2019.
342021，57（8）
ComputerEngineeringandApplications计算机工程与应用
[23]RADFORDA，METZL，rvised
representationlearningwithdeepconvolutionalgenera-
tiveadversarialnetworks[J].arXiv：1511.06434，2015.
[24]曹仰杰，贾丽丽，陈永霞，等.生成式对抗网络及其计算机
视觉应用研究综述[J].中国图象图形学报，2018，23（10）：
1433-1449.
[25]ngdeeparchitecturesforAI[M].[S.l.]：
NowPublishersInc，2009.
[26]LECUNY，BOSERB，DENKERJS，opa-
gationappliedtohandwrittenzipcoderecognition[J].
NeuralComputation，1989，1（4）：541-551.
[27]LECUNY，BOTTOUL，BENGIOY，nt-
basedlearningappliedtodocumentrecognition[J].Pro-
ceedingsoftheIEEE，1998，86（11）：2278-2324.
[28]廖茂文，潘志宏.GAN生成对抗网络原理剖析与Tensor-
Flow实践[M].北京：人民邮电出版社，2020：162-164.
[29]NAIRV，iedlinearunitsimproverestricted
Boltzmannmachines[C]//ProceedingsofICML，2010.
[30]IOFFES，ormalization：accelerating
deepnetworktrainingbyreducinginternalcovariate
shift[C]//InternationalConferenceonMachineLearning，
2015：448-456.
[31]HINTONGE，SRIVASTAVAN，KRIZHEVSKYA，etal.
Improvingneuralnetworksbypreventingco-adaptation
offeaturedetectors[J].arXiv：1207.0580，2012.
[32]ZEILERMD，izingandunderstand-
ingconvolutionalnetworks[C]//EuropeanConferenceon
：Springer，2014：818-833.
[33]-supervisedlearningwithgenerativeadver-
sarialnetworks[J].arXiv：1606.01583，2016.
[34]KINGMADP，MOHAMEDS，JIMENEZREZENDE
D，-supervisedlearningwithdeepgenerative
models[C]//AdvancesinNeuralInformationProcessing
Systems，2014：3581-3589.
[35]rvisedandsemi-supervised
learningwithcategoricalgenerativeadversarialnet-
works[J].arXiv：1511.06390，2015.
[36]LIUW，WENY，YUZ，-marginsoftmaxloss
forconvolutionalneuralnetworks[C]//ProceedingsofThe
33rdInternationalConferenceonMachineLearning，
2016：507-516.
[37]ELFWINGS，UCHIBEE，d-weighted
linearunitsforneuralnetworkfunctionapproximationin
reinforcementlearning[J].NeuralNetworks，2018，107：3-11.
[38]VANDENOORDA，KALCHBRENNERN，ESPEHOLT
L，ionalimagegenerationwithpixelcnndecod-
ers[C]//AdvancesinNeuralInformationProcessingSys-
tems，2016：4790-4798.
[39]MIRZAM，ionalgenerativeadver-
sarialnets[J].arXiv：1411.1784，2014.
[40]GOODFELLOWI，MIRZAM，COURVILLEA，etal.
Multi-predictiondeepBoltzmannmachines[C]//Advances
inNeuralInformationProcessingSystems，2013：548-556.
[41]CHENX，DUANY，HOUTHOOFTR，N：
interpretablerepresentationlearningbyinformationmaxi-
mizinggenerativeadversarialnets[C]//AdvancesinNeu-
ralInformationProcessingSystems，2016：2172-2180.
[42]ODENAA，OLAHC，ionalimagesyn-
thesiswithauxiliaryclassifiergans[C]//InternationalCon-
ferenceonMachineLearning，2017：2642-2651.
[43]DENTONEL，CHINTALAS，ner-
ativeimagemodelsusingaLaplacianpyramidofadver-
sarialnetworks[C]//AdvancesinNeuralInformationPro-
cessingSystems，2015：1486-1494.
[44]BURTP，lacianpyramidasa
compactimagecode[J].IEEETransactionsonCommu-
nications，1983，31（4）：532-540.
[45]SHOCHERA，GANDELSMANY，MOSSERII，etal.
Semanticpyramidforimagegeneration[C]//Proceed-
ingsoftheIEEE/CVFConferenceonComputerVision
andPatternRecognition，2020：7457-7466.
[46]BERTHELOTD，SCHUMMT，：bound-
aryequilibriumgenerativeadversarialnetworks[J].arXiv：
1703.10717，2017.
[47]ZHAOJ，MATHIEUM，-basedgener-
ativeadversarialnetwork[J].arXiv：1609.03126，2016.
[48]ARJOVSKYM，CHINTALAS，stein
GAN[J].arXiv：1701.07875，2017.
[49]GULRAJANII，AHMEDF，ARJOVSKYM，ed
trainingofwassersteingans[C]//AdvancesinNeuralInfor-
mationProcessingSystems，2017：5767-5777.
[50]NOWOZINS，CSEKEB，TOMIOKAR.f-GAN：training
generativeneuralsamplersusingvariationaldivergence
minimization[C]//AdvancesinNeuralInformationPro-
cessingSystems，2016：271-279.
[51]MAOX，LIQ，XIEH，quaresgenerative
adversarialnetworks[C]//ProceedingsoftheIEEEInter-
nationalConferenceonComputerVision，2017：2794-2802.
[52]吴春梅，胡军浩，尹江华.利用改进生成对抗网络进行人
体姿态识别[J].计算机工程与应用，2020，56（8）：96-103.
[53]KARRAST，AILAT，LAINES，ssivegrow-
ingofGANsforimprovedquality，stability，andvaria-
tion[J].arXiv：1710.10196，2017.
[54]RUSUAA，RABINOWITZNC，DESJARDINSG，etal.
Progressiveneuralnetworks[J].arXiv：1606.04671，2016.
[55]LIK，ZHANGY，LIK，arialfeaturehallu-
cinationnetworksforfew-shotlearning[C]//Proceedings
oftheIEEE/CVFConferenceonComputerVisionand
PatternRecognition，2020：13470-13479.
[56]SHAHAMTR，DEKELT，：learn-
ingagenerativemodelfromasinglenaturalimage[C]//
ProceedingsoftheIEEEInternationalConferenceon
ComputerVision，2019：4570-4580.
[57]TSAIRY，rameimagerestoration
王晋宇，等：生成对抗网络及其图像处理应用研究进展
andregistration[C]//AdvancesinComputerVisionand
ImageProcessing，1984：317-339.
[58]LEDIGC，THEISL，HUSZÁRF，-realistic
singleimagesuper-resolutionusingagenerativeadver-
sarialnetwork[C]//ProceedingsoftheIEEEConference
onComputerVisionandPatternRecognition，2017：
4681-4690.
[59]彭晏飞，高艺，杜婷婷，等.生成对抗网络的单图像超分辨
率重建方法[J].计算机科学与探索，2020，14（9）：1612-1620.
[60]武随烁，杨金福，单义，等.使用孪生注意力机制的生成对
抗网络的研究[J].计算机科学与探索，2020，14（5）：833-840.
[61]DONAHUEJ，KRÄHENBÜHLP，-
sarialfeaturelearning[J].arXiv：1605.09782，2016.
[62]BROCKA，DONAHUEJ，cale
GANtrainingforhighfidelitynaturalimagesynthesis[J].
arXiv：1809.11096，2018.
[63]DONAHUEJ，caleadversarial
representationlearning[C]//AdvancesinNeuralInforma-
tionProcessingSystems，2019：10542-10552.
[64]ISOLAP，ZHUJY，ZHOUT，-to-image
translationwithconditionaladversarialnetworks[C]//
ProceedingsoftheIEEEConferenceonComputerVision
andPatternRecognition，2017：1125-1134.
[65]ZHUJY，PARKT，ISOLAP，edimage-to-
imagetranslationusingcycle-consistentadversarialnet-
works[C]//ProceedingsoftheIEEEInternationalCon-
ferenceonComputerVision，2017：2223-2232.
[66]KARRAST，LAINES，-basedgenera-
torarchitectureforgenerativeadversarialnetworks[C]//
ProceedingsoftheIEEEConferenceonComputerVision
andPatternRecognition，2019：4401-4410.
[67]ANOKHINI，SOLOVEVP，KORZHENKOVD，etal.
High-resolutiondaytimetranslationwithoutdomainlabels[C]//
ProceedingsoftheIEEE/CVFConferenceonComputer
VisionandPatternRecognition，2020：7488-7497.
[68]HUANGX，arystyletransferin
real-timewithadaptiveinstancenormalization[C]//Pro-
ceedingsoftheIEEEInternationalConferenceonCom-
puterVision，2017：1501-1510.
[69]LIUMY，HUANGX，MALLYAA，-shotunsu-
pervisedimage-to-imagetranslation[C]//Proceedingsof
theIEEEInternationalConferenceonComputerVision，
2019：10551-10560.
[70]KIMT，CHAM，KIMH，ngtodiscovercross-
domainrelationswithgenerativeadversarialnetworks[J].
arXiv：1703.05192，2017.
[71]ZHANGR，ISOLAP，ulimagecol-
orization[C]//EuropeanConferenceonComputerVision.
Cham：Springer，2016：649-666.
[72]LARSSONG，MAIREM，-
orizationasaproxytaskforvisualunderstanding[C]//
2021，57（8）
35
ProceedingsoftheIEEEConferenceonComputerVision
andPatternRecognition，2017：6874-6883.
[73]LARSSONG，MAIREM，-
ingrepresentationsforautomaticcolorization[C]//Euro-
：Springer，
2016：577-593.
[74]LEEJ，KIME，LEEY，nce-basedsketchimage
colorizationusingaugmented-selfreferenceanddense
semanticcorrespondence[C]//ProceedingsoftheIEEE/CVF
ConferenceonComputerVisionandPatternRecogni-
tion，2020：5801-5810.
[75]REEDS，AKATAZ，YANX，tiveadversarial
texttoimagesynthesis[J].arXiv：1605.05396，2016.
[76]MANSIMOVE，PARISOTTOE，BAJL，ting
imagesfromcaptionswithattention[J].arXiv：1511.02793，
2015.
[77]ZHANGH，XUT，LIH，an：texttophoto-
realisticimagesynthesiswithstackedgenerativeadver-
sarialnetworks[C]//ProceedingsoftheIEEEInternational
ConferenceonComputerVision，2017：5907-5915.
[78]ZHUB，N：causalitybasedtext-to-
imagesynthesis[C]//ProceedingsoftheIEEE/CVFCon-
ferenceonComputerVisionandPatternRecognition，
2020：5519-5527.
[79]KIMD，JOOD，：texttoimagetovideo
generationwithstep-by-stepevolutionarygenerator[J].
IEEEAccess，2020，8：153113-153122.
[80]BERTALMIOM，VESEL，SAPIROG，ane-
ousstructureandtextureimageinpainting[J].IEEETrans-
actionsonImageProcessing，2003，12（8）：882-889.
[81]BARNESC，SHECHTMANE，FINKELSTEINA，etal.
PatchMatch：arandomizedcorrespondencealgorithmfor
structuralimageediting[J].ACMTransGraph，2009，28
（3）：24.
[82]ZHAOL，MOQ，LINS，：diverseimage
inpaintingbasedonunsupervisedcross-spacetranslation[C]//
ProceedingsoftheIEEE/CVFConferenceonComputer
VisionandPatternRecognition，2020：5741-5750.
[83]王海涌，梁红珠.基于改进的GAN的局部遮挡人脸表情
识别[J].计算机工程与应用，2020，56（5）：141-146.
[84]ENGIND，GENÇA，-dehaze：
enhancedCycleGANforsingleimagedehazing[C]//Pro-
ceedingsoftheIEEEConferenceonComputerVision
andPatternRecognitionWorkshops，2018：825-833.
[85]LINYH，CHENWC，-Net：a
deepshadowremovalnetworkfromasingledocument
image[C]//ProceedingsoftheIEEE/CVFConferenceon
ComputerVisionandPatternRecognition，2020：12905-12914.
[86]LIY，LIUS，YANGJ，tivefacecompletion[C]//
ProceedingsoftheIEEEConferenceonComputerVision
andPatternRecognition，2017：3911-3919.
更多推荐
生成,图像,算法,训练,进行
发布评论