图像合成:从给定的数据分布(如人脸、风景或动物)生成新的逼真图像。
- 文本到图像合成:从文本描述(如场景描述、对象描述或属性)生成图像。
- 图像到图像转换:将图像从一个域转换到另一个域,例如将灰度图像转换为彩色、更改场景的季节或将草图转换为逼真的图像。
- 异常检测:识别数据中的异常或异常值,例如检测金融交易中的欺诈、检测网络入侵或识别医学成像中的医疗状况。
- 数据增强:增加用于训练深度学习模型的数据集的大小和多样性,例如在计算机视觉、语音识别或自然语言处理中。
- 视频合成:从给定的数据分布(例如人类动作序列、动物行为或动画序列)生成新的逼真视频序列。
- 音乐合成:从给定的数据分布(如音乐流派、风格或乐器)生成新的原创音乐。
3D 模型合成:从给定的数据分布(例如对象、场景或形状)生成新的逼真 3D 模型。
生成对抗网络 (GAN)最流行的是从给定的图像数据集生成图像,但除此之外,GAN 现在还用于各种应用。这些是一类神经网络,具有一个鉴别器块和一个生成器块,它们协同工作,除了对样本类别进行分类或预测之外,还能够生成新样本。
一些新发现的 GAN 用例包括:
安全:事实证明,人工智能对许多行业来说都是一个福音,但它也受到网络威胁问题的困扰。事实证明,GAN 对处理对抗性攻击有很大帮助。对抗性攻击使用各种技术来欺骗深度学习架构。通过创建虚假示例并训练模型来识别它们,我们可以应对这些攻击。