1 基本原理
生成对抗网络（GAN）由生成器与判别器两个神经网络构成，二者通过零和博弈进行对抗训练。生成器的目标是学习真实数据的分布，产生逼真的合成样本；判别器的目标是区分真实样本与生成样本。训练过程中，两者交替优化，最终达到动态平衡。
1.1 生成器
生成器（Generator）是一个将随机噪声向量（通常来自高斯分布或均匀分布）映射到数据空间的神经网络。其输入为低维隐变量，输出为高维样本（如图像、音频等）。生成器通过参数化分布试图逼近真实数据分布，其性能提升依赖于判别器提供的反馈信号。
1.2 判别器
判别器（Discriminator）是一个二分类网络，输入为真实样本或生成样本，输出为样本来自真实分布的概率。判别器通过最大化分类准确率来优化自身参数，区分真假样本的能力越强，对生成器的压力越大。
1.3 对抗训练过程
对抗训练通过交替更新生成器和判别器实现。每次迭代中，判别器基于真实样本和当前生成样本更新，生成器则根据判别器的输出调整参数，以降低判别器的区分能力。
1.3.1 价值函数
GAN的对抗目标由价值函数（Value Function）定义。原始GAN采用极小极大博弈形式： \[ \min_G \max_D V(D,G) = \mathbb{E}_{x \sim p_{\text{data}}} [\log D(x)] + \mathbb{E}_{z \sim p_z} [\log(1 - D(G(z)))] \] 其中，判别器最大化该值，生成器最小化该值。
1.3.2 纳什均衡
理想训练状态下，GAN达到纳什均衡：生成器完全捕捉真实分布，判别器无法区分真假，输出概率恒为0.5。此时价值函数不再变化，但实际训练中通常难以严格实现。
2 主要架构
2.1 原始GAN
伊恩·古德费洛等人于2014年提出的初始版本，使用全连接层构建生成器和判别器，训练不稳定且易出现模式崩溃。价值函数基于交叉熵，生成器梯度在判别器过强时易消失。
2.2 深度卷积GAN（DCGAN）
DCGAN将卷积神经网络引入GAN，用转置卷积进行上采样，采用批归一化、Leaky ReLU激活函数和Adam优化器，显著提升了图像生成的稳定性和质量，成为后续许多架构的基础。
2.3 沃瑟斯坦GAN（WGAN）
WGAN使用沃瑟斯坦距离（Earth Mover's Distance）替代JS散度，通过裁剪判别器权重（后改为梯度惩罚）保证Lipschitz连续性，有效缓解了梯度消失和模式崩溃问题，训练更为稳定。
2.4 条件GAN（CGAN）
条件GAN在生成器和判别器中均加入额外条件信息（如类别标签、文本描述），使生成过程可控。判别器需要同时判断样本真假及是否符合条件，从而生成指定类别的样本。
2.5 循环一致性GAN（CycleGAN）
CycleGAN用于无配对数据的图像到图像转换，引入循环一致性损失（Cycle Consistency Loss）——将源域图像转换为目标域后再转换回源域应保持原样。该架构在风格迁移、季节变换等任务中表现优异。
3 训练挑战与优化
3.1 模式崩溃（Mode Collapse）
模式崩溃指生成器只产生少数几种或单一类型的样本，无法覆盖真实数据的全部模式。原因在于生成器发现欺骗判别器的捷径，放弃了多样性。常用对策包括引入多样损失、使用多个生成器或小批量判别。
3.2 不收敛问题
GAN的对抗训练本质是一个鞍点寻找过程，优化轨迹可能振荡或发散。不收敛表现为损失值剧烈波动或生成质量持续无改善。改进方法包括调整学习率、使用梯度惩罚和正则化技术。
3.3 梯度消失与梯度爆炸
当判别器过于强大时，生成器梯度趋近于零，更新停滞。反之，判别器过弱则梯度爆炸。WGAN的沃瑟斯坦距离和谱归一化等技术可缓解此问题。
3.4 稳定性改进方法
3.4.1 标签平滑
将判别器的真实标签由1替换为0.9等小于1的值，伪造标签由0替换为0.1，防止判别器过度自信，减少梯度消失。
3.4.2 谱归一化
对判别器每层权重矩阵施加谱归一化，约束其最大奇异值，保证Lipschitz连续性，提升训练稳定性，在SNGAN中得到广泛应用。
3.4.3 梯度惩罚
WGAN-GP在判别器损失中加入对输入梯度范数的惩罚项，迫使判别器满足1-Lipschitz条件，避免了权重裁剪导致的质量下降。
4 应用领域
4.1 图像生成与编辑
4.1.1 人脸生成
StyleGAN系列可生成具有可控属性（年龄、姿态、表情）的高分辨率逼真人脸，广泛应用于虚拟形象创作和面部数据集扩充。
4.1.2 图像超分辨率
SRGAN通过对抗训练提升低分辨率图像细节，生成的高分辨率图像在感知质量上优于传统方法，但可能引入伪影。
4.2 数据增强与合成
GAN生成合成样本用于扩充训练数据集，尤其在医学影像、自动驾驶等标注稀缺的领域，有效缓解过拟合，提升模型泛化能力。
4.3 风格迁移
CycleGAN、CartoonGAN等实现图像风格转换（如照片变油画、白天变黑夜），无需成对训练数据，在艺术创作和影像处理中广泛使用。
4.4 文本到图像生成
StackGAN、AttnGAN等根据文本描述生成对应图像，先合成低分辨率草图，再逐步细化细节，在条件生成任务中取得显著进展。
4.5 视频处理与预测
VideoGAN、MoCoGAN等将GAN扩展至视频域，用于生成连续帧、视频预测和未来帧预测，可应用于动画制作和自动驾驶场景推演。
5 评价指标
5.1 Inception Score（IS）
IS基于Inception网络，通过评估生成图像的类别清晰度和多样性来打分。高分要求图像内容明确且类别分布均匀，但无法检测数据集内部相似性，且对分布先验依赖较强。
5.2 Fréchet Inception Distance（FID）
FID计算真实图像与生成图像在Inception网络特征空间中的Fréchet距离。数值越小表示生成分布与真实分布越接近，更符合人类感知，成为主流评价指标。
5.3 感知相似度指标
包括LPIPS（Learned Perceptual Image Patch Similarity）等，利用预训练网络的特征差异度量图像对之间的感知距离，常用于评估图像修复、超分辨率等任务的质量。
6 未来方向与伦理考量
6.1 与自监督学习结合
将GAN与对比学习、掩码自编码器等自监督方法结合，提升生成器对数据内在结构的学习能力，有望在少样本和跨模态生成中取得突破。
6.2 可控生成
通过隐空间解耦、条件注入或文本引导，实现细粒度属性编辑与组合生成。未来方向包括精细语义操控和与大型语言模型的协同。
6.3 深度伪造（Deepfake）的防范
GAN生成的高保真假脸、假音频带来了隐私、安全和法律风险。研究重点包括开发检测算法（如基于眨眼、心率等生物特征）、加入数字水印、推动立法与教育，以平衡技术创新与社会责任。