一句话导读
双网络“对抗”生成以假乱真内容，生成技术鼻祖
论文信息
| 英文原名 | Generative Adversarial Networks |
| 中文常用名 | 生成对抗网络（GAN） |
| 作者 | Goodfellow, Pouget-Abadie, Mirza, et al. |
| 发表年份 | 2014 |
| 出处 / 获取 | arXiv:1406.2661 |
| 所属专题 | 生成模型 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：生成式建模传统依赖显式概率分布（如 VAE、玻尔兹曼机），要么难以精确计算，要么生成的样本模糊。能否不显式建模概率分布，而通过”对抗博弈”直接逼出逼真的生成数据？这是 GAN 论文要解决的根本问题。
二、核心创新：论文提出生成对抗网络（GAN）：同时训练两个网络——生成器 G（从噪声 z 生成假样本，试图骗过判别器）和判别器 D（区分真实样本与假样本）。二者形成极小极大博弈（min-max game），理论上 G 最终会学到真实数据分布，达到纳什均衡。训练中生成器”以假乱真”、判别器”火眼金睛”相互促进。
三、关键技术细节：① 理论证明当且仅当 G 的分布等于真实数据分布时达到全局最优；② 实践中采用交替训练（先优化 D 再优化 G）与标签平滑稳定训练；③ 用”非饱和损失”（-log D(G(z))）改善早期梯度消失；④ 在 MNIST、TFD、CIFAR-10 上生成质量显著优于当时其他生成模型。论文 2014 年发表于 NeurIPS，作者 Ian Goodfellow 当时还是博士生。
影响与后续发展
GAN 开辟了”对抗生成”这一全新研究方向，衍生出 DCGAN、WGAN、StyleGAN、BigGAN 等大量架构，广泛用于图像生成、超分辨率、风格迁移、数据增强。虽然后来扩散模型在图像质量上超越 GAN，但 GAN 的博弈思想与”以假乱真”训练范式深刻影响了整个生成式 AI 领域。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Generative Adversarial Networks (GAN): We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability that a sample came from the training data rather than from G. This framework corresponds to a minimax two-player game and has become one of the most influential generative modeling approaches.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。