Yann LeCun （Facebook AI 研究院院長）曾對 GAN 表示讚賞：

    The most important one, in my opinion, is adversarial training (also called GAN for Generative Adversarial Networks). This is an idea that was originally proposed by Ian Goodfellow when he was a student with Yoshua Bengio at the University of Montreal (he since moved to Google Brain and recently to OpenAI).

    This, and the variations that are now being proposed is the most interesting idea in the last 10 years in ML, in my opinion.
    

引用自：https://www.quora.com/What-are-some-recent-and-potentially-upcoming-breakthroughs-in-deep-learning

在 The GAN Zoo 中提到每週都有新的 GAN 論文出現，應用百百種，以下是 GANs 的數量趨勢：

本篇希望歸納出其應用場景，來推論 GAN 在機器學習領域中受到如此重視的原因。

GAN 的應用

還記得 [魔法小報] 深度學習 vs. 傳統機器學習 裡的這張圖嗎？

深度學習演算法所需的資料量是巨大的，對於中小企業來說，搜集資料、清洗資料，甚至是需要人工貼標，這些都是非常昂貴的成本。GAN 的出現帶來了突破資料量限制的曙光，有機會能夠生成訓練深度學習所需的資料。

• 生成訓練資料的例子：
  • 3D-GAN 提到，實驗證明可以生成高質量的 3D 物件，在 3D 物件辨識的任務上，這種非監督式的學習特徵可以與監督式學習方法般有優異的表現。
  • pix2pix 生成無人車駕駛的街景
    

另外更多是有趣的 GAN 應用，有趣不代表沒有商業價值，相反的我覺得有趣才會帶來可能的商機，來讓 GAN 激發你的靈感吧。

• 趣味性
  • 跟修圖有關的：
    • AttGAN
      
    • BicycleGAN 模型能夠把給定的夜晚畫面合成具有不同的亮度、天空和雲的白天畫面。
      
    • CycleGAN：上一篇有提到的，把馬變斑馬
      
    • DeblurGAN 將模糊的圖片做銳化
      
    • ExposureGAN 修飾圖片
      
  • 跟文本有關的：
    • GAN-CLS 從文本中自動合成圖像
      
    • GAWWN 給出說明描述以及在哪個位置，來繪製圖像
      

有些論文讓人們用這個做出驚人的事情，例如可在某個向量空間的臉上做算術：

[戴眼鏡的男人] - [沒戴眼鏡的男人] + [沒戴眼鏡的女人] = [戴眼鏡的女人]

圖片來源：https://towardsdatascience.com/infogan-generative-adversarial-networks-part-iii-380c0c6712cd

還有更多的應用領域沒有列在此篇，像是：電玩/醫療/資安/時尚/物理/音樂....等等，GAN 為非監督式學習帶來有趣的活力，各位魔法使有機會開發出更智慧的 AI 應用，打開通往世界 （宇宙？） 之大門。

圖片來源：https://medium.com/thrive-global/make-your-imagination-work-for-you-49f8be368965