GAN与DCGAN的差异

Question

我试图理解GAN和DCGAN之间的关键区别。

我知道DCGAN使用卷积网络。但是：

哪些数据更适合进入GAN，哪些数据更适合DCGAN？对于小的数据维度，DCGAN工作得更好吗？

Answer 1

生成对抗性网络(GAN)的思想是利用生成器模型生成假示例，使用描述模型来判断接收到的图像是假的(即来自生成器的)还是真实的样本。这是一个相对简单的完全连接网络的原图。

一个深卷积GAN做一些非常类似的事情，但特别关注的是使用深度卷积网络代替那些完全连接的网络。Conv网一般在图像中寻找相关区域，即寻找空间相关性。这意味着DCGAN很可能更适合于图像/视频数据，而GAN的一般思想可以应用于更广泛的领域，因为模型的细节可以由单独的模型体系结构来处理。

提出DCGANs的链接文件特别提出了无监督学习的主题，并且本质上想把conv网最近的成功与GANs的新思想结合起来。

我也找不到关于何时使用它们的任何直接比较，但是有很多文章解释了这两种模型。这是个很好的开始 --在读完这篇文章之后，你可能会自己决定。

关于维度--我不认为数据的维度会决定两种变量中的哪一种，当然，除了影响我们必须考虑的事情之外，比如培训时间、模型复杂性、学习能力等等。