生成对抗网络在图像分割领域的应用概述及挑战与未来研究

International Journal of Information Management Data Insights 1（2021）100004审查生成对抗网络：理论与应用概述Alankrita Aggarwala、Mamta Mittalb、Gopi Battinenic、a计算机科学与工程系，Panipat工程与技术学院，Samalkha 132101，印度b计算机科学与工程系，G.B. Pant Government Engineering College，Okhla，New Delhi，Indiac医学信息学中心，药物和健康产品科学学院，Camerino大学，Camerino62032，意大利aRT i cL e i nf o保留字：GAN深度学习图像挖掘大数据文献综述神经网络a b sTR a cT近年来，图像分割已经涉及到从疾病诊断到自动驾驶汽车的各个方面。在计算机视觉中，图像分割是一项重要的工作，由于它需要低层次的空间数据，因此相对于其他视觉任务来说，它是一项比较复杂的工作。特别是，深度学习对分割领域产生了巨大的影响，并为我们提供了不同的成功模型。深度学习协会自动生成的对抗网络（GAN）在图像分割方面取得了显着的成果。在这项研究中，作者对GAN模型及其应用的最新出版物进行了系统的回顾分析。Embase（Scopus）、WoS和PubMed等三个图书馆已被考虑用于检索该领域的相关论文。检索结果已识别出2084份文件，经过两阶段筛选，52份潜在记录被纳入最终审查。GAN的应用已经出现了以下几个方面：3D对象生成，医学，流行病，图像处理，人脸检测，纹理转移和交通控制。在2016年之前，该领域的研究有限，此后其实际应用在全球范围内出现。本研究还设想了与GAN相关的挑战，并为该领域的未来研究铺平了道路。1. 介绍生成对抗网络（GAN）属于机器学习（ML）框架的范畴。这些网络从Ian Goodfellow和他的同事那里获得了灵感，他们基于噪声对比估计并使用了目前GAN中使用的损失函数（Grnarova等人， 2019年）。使用GAN的实际工作始于2017年，人脸采用图像增强，在高强度下产生更好的照明。对抗网络从根本上受到Olli Niemitalo在2010年写的博客的启发，但同样的想法被称为条件GAN。在检查2D到3D图像对话的GAN严格影响时，最初，相应的数据集必须进行实时数据提取并创建具有关键特征的基准（Wu，Zhang，Xue，Freeman& Tenenbaum，2016）。此后，为了计算阈值和适合性分数，必须进行图像合并。图像数据预处理步骤涉及GAN训练之后的图像分割和清洗。结果是预期的模式分析和图像生成的准确性。图1展示了一个3D生成对抗网络的例子，该网络具有5个体积常规神经层，步长为2，内核大小为4 × 4 × 4。深度学习技术可以用作生成模型。深度学习是一种思想神经网络，在其中一个层中有许多层网络架构（Lecun，Bengio Hinton，2015）。它也可以被认为是受大脑结构和功能启发的ML算法的次要领域。在图像识别、语音合成、文本挖掘等应用中，通过接收不同类型的数据，可以通过表示概率分布来建立分层模型。深度学习依赖于具有条件GAN的端到端无线通信系统，使用深度神经网络（DNN）来执行消息传递功能，如编码、解码、调制和解调。为此，需要正确判断立即通道转移状态以转移DNN（Ye，Liang，Li& Juang，2020）。深度学习最重要的特征是区分模型，它可以将高维感官输入与一类标签联系起来。这些基于深度学习影响的生成模型较少，因为对顽固概率计算的评估是困难的，并导致最大的判断机会（He，Zhang，Ren&Sun，2016;Lecunet al.，2015年）的报告。如果将深度学习模型应用于遗传网络，那么其优势将是深度学习模型可以在大数据集上工作。这些数据集在很大程度上依赖于高端机器，需要很长时间进行模型训练，而测试时间较少。GAN网络的应用正在探索当代的进步，并满足我们的日常生活需求。∗ 通讯作者。电子邮件地址：gopi. unicam.it（G. Battineni）。https://doi.org/10.1016/j.jjimei.2020.100004接收日期：2020年11月9日;接收日期：2020年12月5日;接受日期：2020年12月5日2667-0968/© 2020作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据见解期刊主页：www.elsevier.com/locate/jjimeiA. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000042图2. 生 成 对抗网络（Generative Adversarial Network，GAN）Fig. 1. 借助3D GAN建模的图像生成/学习（Wu等人， 2016年）。GAN基于三个原则工作，首先是使生成模型学习，数据可以使用一些概率表示来生成。其次，模型的训练可以在任何冲突情况下进行。最后，通过使用深度学习神经网络和人工智能算法来训练整个系统（LiuTuzel，2016）。 GAN网络部署的基本思想是无监督ML技术，但也被证明是半监督和强化学习的更好解决方案。这些因素共同使GAN网络成为医疗保健、机械、银行等许多领域的综合解决方案。GAN是一种类似的想法，由研究人员在2013年左右产生，用于模拟动物行为（Bryant，2013）。这是深度学习领域的一个相对概念，它使用两个不同的网络，一个生成图像。例如，在假图像分类过程中，一个称为生成器的网络在另一个称为生成器的网络的图像之后创建假图像（Hsu，Zhuang Lee，2020）。这些网络是一类深度学习模型，特别是卷积神经网络（CNN）框架。如果在任何时候识别器不能通知两个生成图像之间的区别，则认为实际图像表示收敛。训练集进行训练以学习产生与训练集相似的新信息。从GAN生成的图像也是相同的图像，这些图像给可能具有真实特征的个体观测服务器以看似真实的印象（Marra、Gragnaniello、Cozzolino&Verdoliva，2018）。GAN可以在无监督的情况下工作，监督作为也是为了加强。该生成网络产生用于评估的图像候选和候选图像。图2是GAN的框图表示。使用GAN实现图像的3D图案遵循随机生成器和随机数的初始化，并且生成器有助于理解图像类型。2D图像标记已经由具有标记为y= 1的训练器训练，并且作为返回产生的3D图像标记为y= 0。此后，图像处理器检查图像处理器的图像权重，并将其量化到生成器。当y= 1时，通过标签强制产生具有图像的该量化网络，该过程重复直到完全提取3D图像特征。如上所述，GAN的功能基于神经网络的类似原理，因为训练集已经作为输入给出以学习生成与训练集类似的新数据。特别是，GAN的图像数据训练可以产生具有类似人类行为特征的新图像。GAN的逐步功能解释如下• 用户使用一个发生器产生的判别网络从真实的数据分布。• 该系统已经训练，使得网络的责任率可以 并且可以通过产生未被合成的候选项（即，仍然是数据分布的一部分）来欺骗MIMO网络。• 一个数据集作为训练器的初始训练数据• 对于训练样本，提供数据集，直到达到准确度• 生成器被训练来产生候选人，当识别器被愚弄时，当它被馈送随机输入时，它处理它们。• 最后，反向传播已经被应用于生成器和消隐器，前者产生更好的图像，后者擅长使人造图像褪色A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000043• 去卷积神经网络是一个生成网络，CNN充当了一个神经网络。• 有时，当网络在输入数据中丢失整个模式的情况下• 研究人员提出了一个问题的许多解决方案在这项工作中，作者对GAN功能及其在实时行业中的应用进行了回顾分析。还讨论了利用深度学习生成生成模型和模拟其他网络理论的对抗性原理方法。此外，还探讨了GAN模型未来可能的发展。第二部分，介绍了文献综述和研究选择过程中所采用的方法。在第3节中，讨论了审查分析的结果，包括关键发现。在第4节中，作者提出了评估GAN模型重要性的主要观察结果，最后，结论部分总结了发现和未来的工作。2. 方法2.1. 搜索策略作者采用了与既往研究一致的系统性文献综述方法（Agarwal，Chauhan，Kar& Goyal，2017; Singh，Grover，Kar &Ilavarasan，2020）。利用PubMed、EMBASE和Web of Science（WoS）三个数据库对相关文献进行检索。已经制定了检索策略，以确定GAN应用程序和功能中的关键文献关键术语和布尔运算符的可能同义词、替代词和替代词，如“GAN模型”、“GAN应用”、“GAN在图像处理中的应用”、“GAN与认知计算”、“人脸检测”、“GAN的3D分类”、“GAN在医疗保健中的应用”和“作者通过仔细阅读摘要并起草他们认为合格的文章摘要，自由地进行了初级评估。在这一点上，前面提到的搜索词被视为差异，当一个是从其他人区分 类似的，各种各样的想法在最终选择之前被谈论过。当作者选择哪些文章有资格被记住的调查，他们读所有的文章，以assem-有助于探索努力的最终目标的有用信息（Grover，Kar VigneswaraIlavarasan，2018）。数据评估是自由指导的，所有意见都进行了比较，以确定一致性。对以往研究文献的综述分析 五年（2016-2020），并在GAN涉及的所有应用中。已经出现了以下应用：3D对象生成、医学、流行病、图像处理、面部检测、纹理转移，和交通管制。既往研究被认为不太相关从2016年开始，它们的实际应用越来越多2.2. 选择标准GAN文献检索结果提供了2084条记录，这些记录按与本研究目的相关的出版物分类。 其中Scopus（Embase）收录1141条，WoS收录537条，PubMed收录406条。3.以下三种类型的文章被认为是：原始论文，评论和分析研究。入选标准：a）研究类型：原创研究、初步分析、2016年以后发表的文献;b）主要关注GAN应用和GAN模型最新进展的文章。更具体地说，在纳入最终分析之前，按以下顺序筛选记录的三个1) 所选论文是否呈现了基于应用的GAN作品？2) 该出版物是否讨论了GAN在实时行业中的进展？3) 论文是否准确地阐述了研究问题和研究目标？排除标准是a）根据入选标准管理的不同特征的记录，b）语言，和c）没有精确GAN目标的研究。这里的目标是了解如何评估这些模型，哪些行业与GAN相关联，以便可以为社会的利益而使用复杂的应用程序。3. 结果在本节中，作者介绍了文献检索所涉及的阶段以及GAN模型在不同应用中的演变。GAN应用的广泛领域随着时间的推移而迅速增加，其功能包括每个主题视图中的一些主要应用，如下所述。3.1. 初步记录结果在对摘要进行初步筛选后，出于以下原因删除了1783篇不适合本研究目标的文章：1757篇文章被识别为重复，26篇文章不是英文。在第二阶段的筛选中，将剩余的301篇论文平均分配给作者进行独立评价，其中只有61篇论文成功地达到了上述研究目标。其中，在全文形式的解释之后，9个被拒绝，因为它们没有检查GAN建模和图像诊断之间的关系，这不属于最近指出的考虑标准。最终，52篇论文被认为是进一步分析。文献过程模型由筛选步骤组成，进一步如图所示。第四章3.2. GAN应用本节介绍了在主要领域中参与生成对抗网络的解释，表1介绍了在不同领域中参与GAN研究3.2.1. 3D物体生成研究功能强大的三维图像生成技术是计算机视觉和计算机图形学领域的一个基本观点。为了识别三维物体和增强计算机视觉，一些研究采用了GAN网络。例如，Yu等人提出了一种网络，它处理不清晰的数据，没有标签，3D点编码器云GAN点编码器的想法已用于绘画，并使用最大池化层来解析学习过程的点。两个网络用作输入编码器和解码器管道，从而更好地表示输入点云的特征（Yu，Huang，Li，Zhang& Le，2020）。基于3D-CNN轻量级多级架构连接超分辨率网络的架构，如果向网络提供基于生成对抗网络的训练，则其创建具有更好质量的清晰图像（Chen等人，2018年）。在创建逼真的3D图像时，2D单色图像的GAN聚焦增强（Ye，Zhang，Ding，Li Zhu，2020）。 生成3D模型是一组穿着衣服并以不同姿势和服装进行3D扫描的人，并且用条件Mesh-VAE-GAN进行训练，使得可以从SMPL身体模型学习服装的变形，从而可以进行人体运动和姿势的分析（Ma等人，2020年）。对常见图像和视频中穿着复杂的人的泛化不是完成的 ，而是通过最小化衣服3D扫描来学习的。一A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000044图3. 图书馆检索结果：图书馆分布（左）和年度分布（右）。见图4。 记录筛选涉及的步骤。A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000045表1定义不同GAN应用的关键研究类型作者[Ref]年模型应用3d物体Yu Y.et al. （Yu等人， 2020年）2020GAN点编码器处理非结构化数据，一代标签Y Chen et al. （Chen等人， 2018年）20183D-CNN创建高质量的清晰图像G Ye et al. （Ye等人， 2020年）2020基于深度学习的GAN改善2D单色图像Q Ma等. （Ma等人， 2020年）2020生成式3D模型人体运动捕捉Y Jin et al. （Jin等人， 2020年）2020三层对抗生产高质量的3D物体原则医学S Baek等. （Baek等人， 2020年）2020GAN和Mesh模型密封的MR图像的制作像素Jain D K等. （Jain等人， 2020年）2020GAN poser人体运动检测A Teramoto等人（Teramoto等人， 2020年）2020深度卷积神经网络分类细胞学图像（DCCN）与GANM D Cirillo et al. （Cirillo等人， 2020年）2020Vox2Vox：3D-GAN脑肿瘤分割H C Shin等. （Shin等人， 2018年）2018常规GAN识别医学图像J. Islam等人（张伊斯兰，2020）2020常规GAN脑图像生成H Lan et al.（Lan Toga，2020）2020SC-GANNeuroImage合成G Zhaoa（Zhaoa，2020）2020贝叶斯条件GANMRI脑图像合成R Oulbacha et al.（Oulbacha Kadoury，2020年）2020伪三维循环GAN腰椎的MRI到CT合成脊柱X Zhang et al. （X. Zhang等人， 2020年）2020变形GAN3D医学图像中的降噪D Yang et al. （Yang等人， 2019年）2019对抗性图像到图像网络医学图像合成与语义分割流行病Loey M等. （Loey等人， 2020年）2020GAN和深度迁移学习使用胸部图像检测COVID-19S Albahli（Albahli，2020）2020GAN与深度神经网络诊断冠状病毒病模型肺炎图像C Li et al.（Li Wand，2016）2016马尔可夫GAN从2D图像处理H Zhou et al. （Zhou等人， 2020年）2020双GAN恢复高分辨率图像T Go et al. （Go等人， 2020年）2020基于深度神经网络的GAN执行图像变换S Zhang et al. （S. Zhang等人， 2020年）2020常规GAN图像去噪H Tang et al. （Tang等人， 2020年）2020常规GAN语义引导的场景生成人脸检测F Mokhayeri et al. （Mokhayeri等人， 2020年）2020一种新的可控GAN（C-GAN跨域人脸合成J Zhao et al. （Zhao等人， 2019年）2019双主体生成对抗无约束人脸识别网络（DA-GAN）M Kowalski et al. （Kowalski等人， 2020年）2020基于深度学习的GAN脸部图像产生D P Jaiswal等. （Jaiswal等人， 2020年）2020常规GAN人脸动画文本L Sixt等. （Sixt等人， 2019年）2019常规GAN生成真实的标注数据转移R Spick等. （Spick等人， 2020年）20203D-gan通过以下方式生成高质量纹理添加色彩反渗透控制D Xu et al. （Xu等人， 2020年）2020GE-GAN道路交通量估算Fathi-Kazerooni S等. （Beery等人， 2020年）2020GAN隧道交通图像3D GAN开发用于在体积卷积网络和生成对抗网络中创建3D对象概率空间。该模型使用三层对抗原则代替启发式，使生成器能够绝对保留对象结构，并生成高质量的3D对象以及从小维到3D对象的生成器映射（Jin，Zhang，Li，Tian Zhu，2020）。3.2.2. 医学中的GAN机器学习和深度学习概念高度涉及医疗领域，特别是识别慢性疾病（Battineni，Sagaro，&Amenta，2020），（Kaur等人，2018年）。据报告，GAN可以在密封像素中成功生成MR图像（Baek，Kim Kim，2020）。Jain等人提出了一种基于称为GAN-Poser的生成器的新技术，用于通过人体骨骼图像的3D输入来预测人体运动（Jain，Zareapoor，Jain，Kathuria Bachhetty，2020）。一种双向GAN框架迭代预测方案，使得可以预测形式褶皱以归一化训练，而不是使用传统的Eu-clidean损失。该模型比在名为NTU-RGB-D和Hu-man 3. 6 M的数据集上评估的传统深度学习方法具有更好的性能。此外，通过应用深度学习相关的GAN模型，还可以通过MR图像进行肿瘤分类，并对胶质母细胞瘤患者进行全面分类（Teramoto等人，2020年）。脑肿瘤图像显示，使用GAN进行分割的3D体积（称为VoX 2VoX）适用于多通道3D MR图像，当发电机损耗的权重是发电机损耗的5倍时，可以实现最佳输出（Cirillo，Abramian& Eklund，2020）。采用GAN的临床应用有助于无监督的图像到图像的对话和医学图像的识别（Shin等人，2018年）。还证明了人工医学隐喻，这些网络对大脑PET图像进行分类，以识别三个阶段（即，正常、轻度、重度）阿尔茨海默&病（AD）（Islam Zhang，2020）。它指出，任何系统都是在3D条件GAN上设计的，并且使用谱的归一化稳定特征匹配的标准以实现收敛优化。一个自主的conc-GAN大大超过了传统的2D条件GAN和3D功能，因此可以完成基于动态3D深度学习的神经成像合成（Lan Toga，2020）。一种增强的深度超分辨率生成对抗网络它为大脑正常控制、轻度认知障碍和疾病的三个不同阶段创建图像，这是阿尔茨海默病的图像阶段&同样地，贝叶斯条件遗传算法通过丢弃不必要的特征来获得更好的图像混合精度.在特征解释中的不确定性已经由贝叶斯网络在超过1000个脑肿瘤数据集的样本上产生。与传统贝叶斯神经网络相比的100个例子（Zhaoa，2020）。一种非监督方法伪3D循环GAN架构，其中相邻部分与循环损失函数一起混合，确保腰椎CT图像融合的一致性，用于从T2加权MRI采集的用于诊断的引导手术图像A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000046这种方法利用可训练的预处理管道，使用低容量全卷积网络来标准化MRI 数 据 ， 以 级 联 椎 体 和 椎 弓 根 的 分 割 （ Oulbacha& Kadoury ，2020）。通过使用无监督学习和梯度下降，当存在3D医学图像的注册时，序列和模态的对齐。该方法通过GAN模型提供了3D医学图像中的噪声和模糊的减少（Zhang，Jian，Chen&Yang，2020）。Yang等人（2020）采用了一种深度学习网络的方法，该方法已被创建为使用GAN与机器学习、计算机视觉和医学图像分析进行医学图像分割的基线。它还能够通过全局形状约束获得更好的分割表示，并应用于图像合成和语义分割的域自适应（Yang，Xiong，Xu& Kevin Zhou，2019）。医学图像、机器学习和深度学习根据四个输入参数创建耳蜗符号距离图，更经典的SDM生成方法。SDM的复杂性，利用SDM生成神经网络克服了三维参数化造型的困难，利用通过以下参数化的维度耳蜗形状模型来实现4个形状参数（Zhang等人， 2018年）。3.2.3. 流行病在新型冠状病毒（COVD-19）等大流行病中（Chawla，Mit- tal，Chawla& Goyal，2020），深度学习模型高度参与以机器人的形式减轻病毒的严重性（Battineni，Chintalapudi& Amenta，2020）。这些模型与GAN相结合，可以用来识别感染的严重程度。Loey等人的研究已经证明，GAN结合深度学习模型是通过涉及胸部X射线图像进行COVID- 19检测的最佳方法作者收集了307张胸部X线图像，并识别出有 助 于检 测 新 型 冠状 病 毒 的高 精 度 图 像（ Loey ， SmarandacheKhalifa，2020）。据报道，与合成胸部X射线图像相关的称为COVID-GAN的模型已成功完成图像分类，并结合对合成图像进行整形，准确率达到89%（Albahli，2020）。3.2.4. 图像处理GANGAN模型可以通过整合深度学习模型来解决超声图像分辨率问题。这些被用来结束编码和解码，以从定期捕获的前列腺超声图像制作高分辨率图像（Van Sloun等人，2019年）。GAN可以从每个病变的小样本量中产生不同的病变类别，并且 深度卷积GAN的术语应用从2D图像生成3D图像，从而更快地分析图像（Li Wand，2016）。对于与低分辨率体积图像匹配的高分辨率图像体积，已经涉及图像的光学清除（Zhou等人，2020年）。全息摄影定义了在没有镜头参与的情况下创建独特的摄影图像一些研究应用了全息图的GAN识别使用神经网络和GAN记录全息图的数字全息显微镜包含3D数据（Go，Lee，You& Lee，2020）。图像到图像的转换不仅仅集中在一个简单的白色光源到全息图通过测量网络的比较产生的和真实的全息微球在一个3D图像。一种通过维纳滤波从硬阈值获得干净图像的过程，用于解决染色图像。这些图像被分解，以获得3D块匹配算法的系数，从而通过GAN训练潜在的干净图像来获得因为峰值信噪比、结构相似性和边缘保持指数被用作视觉效果中的噪声去除的标准（Zhang等人，2020年）。此外，Tang et al. 解决了基于引导场景的小物体图像生成和局部纹理图像生成的困难。该方法首先生成具有局部背景的场景，然后设计一个具有语义映射的局部类进行引导，单独构建和学习子生成器，专注于生成不同的屏幕（Tang，Xu，Yan，Torr Sebe，2020）。3.2.5. GAN的人脸检测应用假脸识别对于智能框架至关重要，因为生成模型每天都变得很有名由于假面孔质量的提高，准备好的模型越来越不能有效地识别假面孔，并且相应的训练数据已经被认为是过时的。在这种情况下，如果人脸的性能必须在视频监控系统中识别，并且可以通过模仿人脸生成来改善因此，学者们提出了一种与GAN相结合的跨区域人脸模仿，称为受控GAN（CGAN）（Mokhayeri，Kamali Granger，2020）。在CGAN改进中，通过人脸图像进行模型模拟以去除噪声。一种双注意力生成对抗网络（DA-GAN），其中通过在GAN训练期间捕获上下文依赖性和局部一致性两者来正面呈现照片般逼真的面部，以突出图像中所需的姿势和照明差异（Zhao等人，2019年）。此外，Kowalski et al.提出了一种属性检测网络模型CONFIG-Net。神经人脸模型允许在真实人脸上训练出的主要人物图像和通过合成数据进行的假人脸检测，它是一个分离的方面，如姿态、表情、发型等。（Kowalski等人， 2020年）。使用GAN自动生成面部图像，解决动画作品的面部图像问题（Jaiswal，Kumar Badr，2020）。3.2.6. 纹理转移提出了一种基于遗传算法的纹理解释算法，可以实现高分辨率的纹理采样和百万倍的纹理渲染。最近，深度学习已被研究人员用于不同类型的图像分析的内容组合和风格表示。内容和风格的提取称为纹理转换。在SiX t，Wild和Landweek（2019）中，作者用3D提取的图像训练GAN，没有纹理结果。输出图像是另一个具有纹理的3D渲染图像。最后，生成式深度学习模型产生一个试图匹配目标图像的输出图像。鉴于此，Spick等人提出了一种基于模型初始体积的3D GAN学习模型，该模型包括颜色，以通过适配体积输入的通道来产生生成的样本。如果使用无监督学习来生成高质量的纹理，那么周转时间会有所改善，并且这些都是在来自一组开放访问纹理模型的输入集合上进行测试的（Spick，Demediuk& Alfred Walker，2020）。3.2.7. 反渗透控制不同的调查强调，由检测器精确的道路交通细节比不同的模型预测更准确。Xu等人开发了一个使用深度学习的交通道路估计框架，称为GE-GAN，其中两个城市的双街道系统被用作案例研究。这是通过使用来自相邻链路的数据来完成的通过应用道路网络的图示和使用GAN的图来猜测国家的道路交通&（徐，魏，彭，Xuan Guo，2020）。交通图像可以检测和分类交通事件，这有助于控制道路上的自动驾驶汽车（Fathi-Kazerooni& Rojas-Cessa，2020）。4. 讨论在这项研究中，作者介绍了GAN的体系结构和功能以及它的主要领域应用。 通过GAN等深度学习方法对图像分割进行的调查可以产生严格的文献综述，并研究语义和插图级别的分割、覆盖递归网络的网络、编码器-解码器架构、卷积piX el- belling网络以及具有对抗性设置的视觉注意力生成的工作范围。其他模式的优势、挑战、优势、相似性A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000047他们的数据集，以及在上述领域的前景可以很好地解释（Sultana，Sufian Dutta，2020）。由于深度学习的最新进展以及Shape Net等大型3D CAD数据集的呈现（Chang et al.，2020年），在深度学习对象表示法中有一些激励性的工作。关于基于部件的技术的独特之处在于，大量的这些生成方法预签名距离图方法根据四个输入参数生成耳蜗签名距离图，并在深度学习的帮助下证明，与传统生成方法相比，其增强了六倍（Wang等人， 2020年）。这是一个困难的问题，因为与2D图像的空间相比，由于其更高的维度，更难它们目前的成果是增强能力的，但在所创造的目标中往往仍然存在差距为了克服这些问题，本研究引入了生成对抗网络使用GAN生成 3D对象&的常见数据集是2D到3D可变形草图（Zorah Läh- ner，Rodolà，Schmidt Bronstein，2020），clutter中的3D可变形对象（Cosmo，Rodola，Masci，Torsello Bronstein，2016），ANN_SIFT 1 M（sift 1 M数据集ANN - Frankie Yan&图像. GAN创建的数据是类别下的因果向量，通过使用深度学习算法（El，Seddik，Louart，Tamaazousti& Couillet，2020），集中的因果向量和行为类似于高斯混合。类似于库的Py-Torch是最著名的GAN包，可以实现并提供一种使用不同图像数据集进行GAN训练的综合方法这个包有助于使用不同的框架控制GAN模型实施过程中的问题，同时评估何时使用相同的指标（Lee& Town，2020）。基于具有全局优化GAN的不平衡数据的深度学习故障检测过程导致高度错误分类。这种新的生成器和迭代器的方法计划使用自动编码达到全局优化，并从合格样本中提炼不合格的生 成 样 本 用 于 误 差 分 析 （ Zhou ， Yang ， Fujita ， Chen& Wen ，2020）。在空间科学等其他应用中，GAN网络可以构建更好的天文图像来预测和模拟暗物质研究的引力传感，以模拟空间中任何方向的分布（Mahdizadehaghdam，Panahi Krim，2019）。学者们指出，基于雷达的地图处理了信号丢失的困难，并且已经创建了一张地图来解释与传感器性质兼容的气候变化和照明，并且当来自FMCW雷达的图片被放置在陆地车辆上时，车辆定位的承诺已经完成（Cornick，Koechling，Stanley Zhang，2016）。此外，GANs还提出了一种更好的方法来模拟高能射流的形成，在昂贵的粒子物理实验模拟中接近最佳 障 碍 （ de Oliveira ， Paganini& Nachman ， 2017;Lin ， Bhimji&Nachman，2019）。为了使用GAN对图像进行分类，尽管接受作为输入，但将其更改为预测任何图像的类别的标签。以稳定的训练和生成大的优秀图像可以被允许。在时尚等艺术领域，Fs-GAN已经实现了模特的想象照片，而无需雇佣摄影师，化妆师，也降低了工作室成本（Singh，Bajpai，Vijayara- jan& Prasath，2019）。使用GAN的时尚广告公司拥有各种模型组，增加了类似模型的人。可以使用GAN创建景观、肖像、专辑封面GAN网络还可以用于通过缩放视频游戏的2D纹理分辨率并以更大分辨率重建的技术来创建游戏（Rodriguez Torrado 等人，2020年）。训练的过程，然后向下采样，以便它可以适应游戏中的本地分辨率。最终输出类似于抗混叠的超采样方法。如果这种网络经过适当的训练，可以提供一个清晰的图像，以及一个更清晰的高幅度，提高质量，如果与原来的一致。这些图像是为了保留原始的-细节和色彩的最终层次。GAN的其他广泛应用包括语音到图像构建、可视化气候变化、面部老化、照片混合、运动视频捕获、视频预测等。4.1. GAN限制然而，GAN架构有一些局限性。基于对肖像画的分析，甘泉创造的图像看起来像是一张真实的人的照片。人们已经提出了不同的关注，因为使用GAN的人类图像合成可能会被欺诈，从而产生伪造的照片和视频。在社交媒体上，可以使用GAN来生成不存在的人的独特或实用的图片来防止虚假的个人资料。DARPA4.2. 未来的作品GAN代表了深度学习的一个新概念，随着人工智能研究协会的快速发展，许多正在进行的出版物将技术推向了其最初的极限。GAN本质假设的缺陷是GAN模型开发高质量生成模型的障碍。因此，未来工作最重要的实现是在假设方面取得突破，以解决问题，例如，培训，非工会和模型分解的困难（Salimans等人，2016年）。尽管有一些普遍改进的策略 ， 例 如 ， 权 重 修 剪 和 正 则 化 （ Arjovsky ， Chintala& Bot- tou ，2017;Gulrajani，Ahmed，Arjovsky，Dumoulin& Courville，2017），纳什均衡（Kodali，Abernethy，Hays& Kira，2017）和新的损失函数（Mao等人，2017年，仍需进一步改进。此外，GAN可以解决ML模型中的新理论和研究成果，例如，可以将注意力机制纳入捕获全局特征。在强化学习中使用政策梯度程序的GAN研究可以克服处理离散变量的弱点，因此GAN可以在不同的条件下工作，以增加其应用范围（Kurakin，Goodfellow& Bengio，2019）。5. 结论GAN以独立数据扩展的综合领域的方式建立，并解决需要生成解决方案的问题，如图像到图像转换。在这项工作中，分析了GAN的许多应用，并在经历了GAN和深度学习的深入修订及其在前几年的应用之后，可以看到有许多前沿的学习模型，包括监督，无监督和强化学习。此外，许多深度学习数据集和框架被用来呈现深度学习问题的性能竞争利益作者在发表过程中未发生任何冲突。资金这项工作没有得到任何资助。作者A.A. 选择研究，进行文献综述，并参与起草手稿。M.M. 指导研究A. Aggarwal，M. Mittal和G. 巴蒂内尼International Journal of Information Management Data Insights 1（2021）1000048批准了这项研究。G.B.设计研究，选择研究，进行文献综述，方法，数据提取，分析数据，解释结果，起草手稿。所有作者都同意最终文章。引用Agarwal，N.，Chauhan，S.，Kar，A. K.，&Goyal，en S.（2017年）。人类行为属性在移 动 人 群 感 知 中 的 作 用 ： 系 统 性 文 献 综 述 。 数 字 政 策 、 监 管 和 治 理 。10.1108/DPRG-05-2016-0023。Albahli，S.（2020年）。有效的基于GAN的胸片（CXR）增强诊断冠状病毒病肺炎。国际医学科学杂志。10.7150/ijms.46684。Arjovsky，. M.，Chintala，. S.，&博图湖（2017年）。“Wasserstein GaN”,Baek，. S.， Kim，K.I.， &Kim，en T.- K. （2020年）。 “Weakly-supervised domainadaptationBattineni，G.， Chintalapudi，N.， &Amenta，en F. （2020年a）。 AI聊天机器人设计像新型冠状病毒这样的流行病。健康护理10.3390/医疗保健8020154。Battineni，G.，萨加罗湾 G.， Alpalapudi，N.， &Amenta，en F. （2020年b）。 机器学习预测模型在慢性病诊断中的应用个性化医学杂志。10.3390/jpm10020021。Beery ， . S. 例 如 ， （ 2020 年 ） 。 “ 合 成 示 例 提 高 了 稀 有 类 的 泛 化 能 力 ”doi ：10.1109/WACV45572.2020.9093570Bryant，G. A.（2013年）。音乐中的动物信号和情感：跨群体协调交流。心理学前沿10 . 3 3 8 9 /fpsyg.2013.00990。Chang，黄毛菊A. X.，等（2020年）。ShapeNet：一个信息丰富的3D模型存储库。2015 年 。 托 冈 · 沃 克 里 [Online]. 可 在 www.example.com 上 查 阅http://arxiv.org/abs/1512。03012.Chawla，S.，Mittal，M.，Chawla，M.，&戈亚尔湖（2020年）。冠状病毒- SARS-CoV-2：另一种自然灾害的方式。