生成对抗网络（GAN）是一种深度学习模型，由生成模型和判别模型组成，通过对抗训练估测数据分布。生成对抗网络包含生成模型G和判别模型D，前者负责捕捉样本数据分布，后者作为二分类器判断输入来源。优化过程采用二元极小极大博弈框架，交替迭代更新两模型参数。其概念由伊恩・古德费罗等人于2014年受二人零和博弈启发提出。该技术已被拓展应用于图像分割、视频预测、风格迁移等计算机视觉领域。该模型经发展衍生出深度卷积生成网络（DCGAN）等改进架构。衍生技术如GAN-FCC网络已被应用于文物数字化修复领域，通过潜在编码实现绘画延伸方向识别和色彩纹理重建。 基于GAN和扩散模型的影像修复技术日趋成熟，可实现老照片、老影像的清晰化、色彩还原与破损修复，并应用于古建筑数字孪生、虚拟展示及非遗传播。
想要了解更多“生成对抗网络”的信息，请点击：生成对抗网络百科
