生成对抗网络-金马国际

甄选全球最新行业动态，着眼影响技术变革的大事件。

对于谷歌的研究团队来说，2019 年是令人兴奋的一年。

研究人员表示，这两项技术优于以前许多同类技术，所需数据也更少，且不会以牺牲性能代价。

“ai 一周资讯”栏目甄选全球最新行业动态，着眼影响技术变革的大事件，聚焦业内专家学者的发声，为读者呈现出内容丰富且有价值的新闻资讯。

纵观 ai 风云史，数风流人物，还看今朝 。

美图人像画质修复算法主要基于自研的超清人像生成网络结构 beautygan（beauty generative adversarial networks），并从美图数以亿计的海量人像数据中学习，使其具备人像画质修复能力，最大程度还原人像原有的脸部信息。

gan 作为近几年深度学习的大坑以其优雅的理论和惊艳的效果而大火。本文简单总结串讲下 gan 发展至今比较有代表性的模型以及其主要特点。

在拍照时，常常因为手抖或补光不足，导致拍出的照片很模糊。本文将介绍如何利用 deblurgan 模型将模糊的照片变清晰。

本文首先对生成对抗网络（gan）的发展进行了简单的介绍。随后深入探讨了 gan 的网络原理，并介绍了网络的评价指标。最后带领读者创建并运行自己的 gan，利用 mnist 数据集训练网络，用 comet.ml 对实验数据和参数进行分析，并生成手写数字。

近日，机器学习研究员 ian goodfellow 已离开谷歌，加盟苹果。他开发了生成对抗网络（gan），被称为“gan 之父”。