万字综述之生成对抗网络（GAN）(18)

因此，可以考虑使用 GAN 来产生不同摄像头下的数据进行数据增广。[15] 中提出了一个 CycleGAN 用于数据增广的方法。具体模型结构如下：

对于每一对摄像头都训练一个 CycleGAN，这样就可以实现将一个摄像头下的数据转换成另一个摄像头下的数据，但是内容（人物）保持不变。
其他应用
GAN 的变体繁多，应用非常广泛，在一写非机器学习领域也有应用，以下是一些例子。
医学图像分割
[16] 提出了一种 segmentor-critic 结构用于分割医学图像。segmentor 类似于 GAN 中的生成器用于生成分割图像，critic 则最大化生成的分割图像和 ground truth 之间的距离。此外，DI2IN 使用 GAN 分割 3D CT 图像，SCAN 使用 GAN 用于分割 X 射线图像。
图片隐写
隐写指的是把秘密信息隐藏到非秘容器，比如图片中。隐写分析器则用于判别容器是否含有秘密信息。一些研究尝试使用 GAN 的生成器生成带有隐写信息的图片，判别器则有两个，一个用于判别图片是否是真实图片，另一个则判别图片是否具有秘密信息 [17]。
连续学习
连续学习目的在于解决多个任务，且在学习过程中不断积累新知识。连续学习中存在一个突出的问题就是“知识遗忘”。[18] 中使用 GAN 的生成器作为一个 scholars model，生成器不断使用以往知识进行训练，solver 则给出答案，以此避免“知识遗忘”问题。
讨论
在第一、二部分我们讨论了 GAN 及其变体，第三部分讨论了 GAN 的应用。下表总结了比较有名的一些 GAN 的模型结构及其施加的额外约束。