生成對(duì)抗網(wǎng)絡(luò)（GAN， Generative Adversarial Networks）的出現(xiàn)是計(jì)算機(jī)視覺領(lǐng)域又一里程碑式的發(fā)展，它為解決各種圖像預(yù)測(cè)問題提供了新型工具。以此為目的，本文通過相關(guān)文獻(xiàn)的調(diào)研以及結(jié)合最新成果的研究，突出了生成對(duì)抗網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)算法特征。目前生成對(duì)抗網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的研究在不斷優(yōu)化著基礎(chǔ)生成對(duì)抗網(wǎng)絡(luò)的性能；在改進(jìn)難收斂、模式崩潰等缺點(diǎn)方面發(fā)揮著各自的長(zhǎng)處，已然成為當(dāng)下研究的熱點(diǎn)方向之一。

　　生成對(duì)抗網(wǎng)絡(luò)最早是在2014 年由Open AI 的Ian Good fellow 等人提出的一種創(chuàng)新型模型。它的出現(xiàn)為解決工程和數(shù)學(xué)領(lǐng)域中高維度概率密度分布中采樣和訓(xùn)練的問題提供了幫助。隨后經(jīng)過兩年對(duì)生成對(duì)抗網(wǎng)絡(luò)的研究與總結(jié)，Ian Good fellow 等人在2016 年神經(jīng)信息處理系統(tǒng)進(jìn)展大會(huì)上對(duì)生成對(duì)抗網(wǎng)絡(luò)的相關(guān)知識(shí)體系進(jìn)行了匯總。生成對(duì)抗網(wǎng)絡(luò)的理論在此基礎(chǔ)上被證明了是一種具有非監(jiān)督學(xué)習(xí)性質(zhì)的收斂模型，這就為其在后續(xù)的應(yīng)用中提供了可行性和實(shí)踐性。它能夠在不需要假設(shè)數(shù)據(jù)分布的前提下，來(lái)對(duì)一種隨機(jī)分布進(jìn)行直接采樣，進(jìn)而得到全局最優(yōu)解。生成對(duì)抗網(wǎng)絡(luò)的優(yōu)點(diǎn)之一是它回避了一些比較復(fù)雜的概率運(yùn)算，在訓(xùn)練過程中不涉及到最大似然估計(jì)和馬爾科夫鏈等復(fù)雜算法，又因?yàn)樯蓪?duì)抗網(wǎng)絡(luò)善于捕捉模型的分布方式等一些獨(dú)特的優(yōu)點(diǎn)，其概念和模型被學(xué)術(shù)界廣泛接受。至此以后以生成對(duì)抗網(wǎng)絡(luò)作為研究基礎(chǔ)的拓?fù)浣Y(jié)構(gòu)以指數(shù)爆炸的速度發(fā)展著，從GAN ZOO 中統(tǒng)計(jì)的自2014 年以來(lái)以生成對(duì)抗網(wǎng)絡(luò)作為研究基礎(chǔ)的論文數(shù)量的數(shù)據(jù)中可窺見一斑。

　　為此，針對(duì)生成對(duì)抗網(wǎng)絡(luò)非監(jiān)督學(xué)習(xí)這一特點(diǎn)，本文著重分析了非監(jiān)督學(xué)習(xí)相較于監(jiān)督學(xué)習(xí)的優(yōu)勢(shì)，對(duì)比了一些主流的無(wú)監(jiān)督生成模型；主要總結(jié)了相對(duì)于標(biāo)準(zhǔn)生成對(duì)抗模型擴(kuò)展模型——條件生成對(duì)抗網(wǎng)絡(luò)（CGAN， Conditional Generative Adversarial Nets）、深度卷積生成對(duì)抗網(wǎng)絡(luò)（DCGAN， Deep ConvolutionGenerative Adversarial Nets）、循環(huán)生成對(duì)抗網(wǎng)絡(luò)（Cycle GAN， Cycle Conditional Generative Adversarial Nets）做出概括的應(yīng)用。生成對(duì)抗網(wǎng)絡(luò)及其各種衍生模型的進(jìn)一步研究必將有效解決計(jì)算機(jī)視覺問題，而且利用生成對(duì)抗網(wǎng)絡(luò)來(lái)提升機(jī)器理解世界的能力，也必將成為人工智能中的重要研究方向。