生成对抗网络（GAN）
GAN 由生成器 和判别器 组成，通过对抗训练使 生成逼近真实分布的数据。
核心公式
- 最大化：正确区分真实样本和生成样本
- 最小化：生成样本被 判定为真实
训练难点
| 问题 | 表现 | 对策 |
|---|---|---|
| 模式坍缩 | 只生成单一类型 | Minibatch Discrimination、WGAN |
| 梯度消失 | 太强 | WGAN（Wasserstein 距离）、LSGAN |
| 训练不稳定 | 损失震荡 | 梯度惩罚（WGAN-GP）、谱归一化 |
经典变体
- DCGAN：用卷积替换全连接
- CGAN：条件控制生成（类别标签）
- CycleGAN：无配对图像翻译
- StyleGAN：可控制风格的生成
GAN 已被扩散模型（Diffusion Models）在图像生成质量上超越，但在可控生成和数据增强领域仍有应用价值。