深度神经网络GAN给我们带来了什么改变？( 二 )_GAN从提出到现在不过三年时间

虽然对抗机制给我们带来了很多便利，但它也有明显的缺点。在很多复杂的图像生成任务上GAN的表现并不如人意，例如它会经常生成扭曲的人体。反观基于范数的方法，即使生成复杂的图像也能保证物体基本轮廓的正确。这种区别主要来自于范数目标函数是对每个像素操作的，把生成图像与真实图像的像素一一对应上，也就相当于约束了物体的轮廓；而GAN则对图像整体做判断，并没有对物体轮廓做约束。所以现在用GAN做图像生成的模型，在训练生成器的时候会加上一个L1或者L2范数的损失函数。实验结果表明，这样做确实会比单纯使用对抗目标函数效果更好。

除此之外， GAN实际上是一个统一了生成式模型与判别式模型的框架。一般而言，我们用GAN是为了用它的生成器生成以假乱真的数据，所以我们通常把它归为生成式模型。而实际上，它的判别器也是一个判别式模型，能够在一些特定的任务中体现它的价值。最近SIGIR会议的最佳论文IRGAN ，就是利用GAN把信息检索（information retrieval）领域的生成式模型和判别式模型结合起来。在信息检索领域，通常有两种流派，即生成式模型和判别式模型。生成式模型做的是，给定一个问题（query），输出与它最匹配的文档（document）；而判别式模型，是输入一个问题和文档对，输出两者匹配的程度。可以看到， GAN的框架很直接地把二者联系起来了：生成模型的输出就是判别模型的输入，判别模型的输出又能促进生成模型的学习。