A行业级
GAN 提出对抗式生成训练
生成器与判别器在竞争中共同提高
已核验1可追溯来源
Ian Goodfellow 等人提出生成对抗网络，让生成器制造样本、判别器区分真假，两者通过同一个对抗目标训练。
发生了什么
生成器把随机噪声映射成样本，判别器输出样本来自真实数据的概率。训练目标形成二人零和博弈，理想状态下生成分布逼近真实分布。
当时的行业背景
生成模型通常需要明确写出概率分布或使用近似推断，训练和采样都可能复杂。研究者需要一种能直接学习数据分布的替代方法。
为什么重要
GAN 在图像生成、编辑和风格迁移上快速取得清晰结果，开启了现代生成视觉浪潮；训练不稳定和模式崩塌也推动了大量后续研究。
在它之前
高质量图像生成仍受概率建模和推断方法限制。
在它之后
对抗训练成为一条独立而活跃的生成模型路线。
影响
它改变了什么
对开发者
生成模型从研究小众变成计算机视觉的重要工具箱。
对产品
人脸合成、图像编辑与深度伪造开始进入实际应用和公共讨论。
来源