生成对抗网络是一种新型对抗网络，由“Goodfellow”在 2014 年引入。通常通过 DeepNN 实现，它们在生成无法与“真实”数据区分的“真实”输出方面非常强大。
它们由两个主要部分创建。生成器和鉴别器。生成部分试图创建一些样本并欺骗鉴别器将其分类为“真实”样本。在数学上，它们可以这样表示：
min max V (D, G) = E x∼p data (x) [log D(x)] + E z∼pz (z) [log(1 − D(G(z)))]
从降噪到图像生成，有大量关于 GAN 的论文。我有一些关于它们的基本问题，我认为这些问题的答案对其他人也很有用。
- 有一些论文使用 GAN 从样本中提取更好的图像。例如“Kevin Schawinski et al 2017 - Generative Adversarial Networks recovery features in astrophysical images of galaxies of the deconvolution limit”
，正如你看到的，他们使用 GAN 根据样本“制作”新数据。但问题空间非常“混乱”（天文图像和深空的东西）。那么，在重新创建样本并用存储在 GAN DeepNN 中的一些“采样模式”填充它时，是否存在丢失实际数据的风险？
噪声在这里的作用是什么？在 G 部分，我们向 DNN 输入了一些噪声（正如我所理解的输出的相同维度）。它使用这种噪声来创建一个输出，以供 D 部分判断。
- 我不确定，但为什么这么多论文决定使用线性分布采样来从噪声中采样。有什么特别的原因吗？是否有研究专门比较 G 部分输出与不同噪声采样策略的结果？
- 如果我们在 G 部分输入其他东西而不是纯噪声会怎样？那会发生什么？
在一篇论文（Han Zhang et al - 2016）中，他们使用了两阶段的 GAN。第 1 阶段是从句子和噪声中生成 128*128 的图像，在第二阶段，第 1 阶段的输出用于生成更逼真的 256*256 图像。它看起来真的像一个“分层”网络。正确的？所以：
- 使用具有多个阶段的更深层次的 GAN 是否可行？当然可以，但实用吗？它有什么缺点？
很抱歉在一个线程中有这么多问题。致编辑：请随时编辑我糟糕的英语并帮助其他人更好地理解问题。
谢谢