这是一本系统讲解GAN理论、模型、常见问题，并为视觉和语音领域的大部分应用场景提供GAN解决方案和综合实例的著作。
作者在人工智能领域积累颇深，这本书得到了前阿里巴巴达摩院华先胜和中国科学院自动化所刘成林的推荐。前4章有针对性地讲解GAN的理论，帮助读者夯实基础；后8章讲解应用，用大量经典的模型和9个案例，为8个应用场景提供了GAN解决方案。
第1~4章首先介绍了无监督生成模型、显式生成模型、以GAN为代表的隐式生成模型等各种生成模型的理论和原理；然后讲解了GAN中的目标函数及其数学原理、GAN在训练中的常见问题和相应解决方案、GAN的评价指标和可视化等；
第5~12章分别讲解了图像生成GAN的各类模型与应用、图像翻译GAN的各类模型与应用、人脸图像编辑GAN的各类模型与应用、图像质量增强GAN的各类模型与应用、三维图片与视频生成GAN的各类模型与应用、通用的图像编辑GAN框架、对抗攻击以及GAN在其中的应用、GAN在语音信号处理中的实战应用。
全书内容理论体系完善，GAN的目标优化、训练、评估等内容同类书中极少提及；内容丰富、循序渐进，覆盖视觉和语音中的绝大部分应用场景；实战性强，9个综合案例，提供案例源代码和解读，以及实验数据和实验结果对比分析；图文并茂，包含大量原创图表，可读性强。

阿里巴巴达摩院城市大脑前实验室主任　　　　　　 华先胜
中科院自动化所模式识别国家重点实验室主任　刘成林

资深人工智能专家撰写，系统讲解GAN理论、模型与常见问题，9个综合案例为8大领域提供GAN解决方案

计算机/人工智能/深度学习与神经网络

本书对生成对抗网络的原理和实践做了非常详细的介绍和解读，不仅介绍了常见的GAN模型在图像、视频、语音、深度学习领域的对抗攻击和防御等方面的实践，还花了不少笔墨介绍生成对抗网络框架的理论基础，让读者能知其然，也能知其所以然。通过本书，读者不仅能了解常见GAN算法的设计思路和方法，还能举一反三，设计出自己的GAN，解决众多领域中尚未解决的问题。
—— 华先胜　IEEE会士/阿里巴巴达摩院城市大脑前实验室主任
GAN是近年来深度学习领域的最大热点之一，诞生之初即以其构思新颖奇妙而受到广泛关注，其后模型和算法创新成果大量涌现，在图像生成和风格转换等应用中不断取得惊艳的效果，并扩展到多模态数据应用，甚至上升到艺术创作的层次。然而，GAN的实现、应用、创新对研究开发者而言并不容易，需要使用者对原理、算法有深入理解并掌握一些实现技巧。本书正好满足了深度学习开发者在这方面的需求，以深入浅出的原理、算法介绍和丰富的应用实例为读者学习、掌握、应用GAN提供了有益指导。
—— 刘成林　中国科学院自动化研究所模式识别国家重点实验室主任/研究员
GAN是学术界和工业界都广泛重视的一类神经网络，两位作者在GAN的理论及应用研究方面有扎实的基础和丰富的经验，他们在本书中系统地总结了GAN的知识体系，透彻地介绍了典型的应用案例。本书兼备理论和实践价值，内容完整、丰富、专业，值得相关从业人员学习和参考。
—— 鲁华祥 中国科学院半导体研究所高速电路神经网络实验室研究员
生成对抗网络已经成为深度学习领域非常重要的内容，在数据增强、图像翻译和视频生成等领域得到了广泛的应用。本书深入剖析了生成对抗网络的基本原理，详细阐述了优化和训练技巧，全面介绍了生成对抗网络的应用，配以大量的应用实例和代码以加深对知识的理解。全书理论分析透彻、应用知识浅显易懂，适合人工智能从业人员阅读了解生成对抗网络理论及其工程实践。
—— 谭毅华 华中科技大学人工智能与自动化学院教授/博士生导师

言有三 郭晓洲 著：作者简介
言有三（本名：龙鹏）
资深人工智能技术专家，曾就职于奇虎360人工智能研究院和陌陌科技深度学习实验室，服务于月活10亿级的AI产品。现为有三教育科技有限公司创始人，致力于提供人工智能领域的项目解决方案设计和研发服务。在人工智能技术领域有非常深厚的积累，擅长深度学习与计算机视觉，尤其是深度学习模型的设计与优化、生成对抗网络、人脸图像算法、摄影图像算法等。
阿里云MVP，华为云MVP，负责阿里云深度学习课程搭建，在数十所高校进行技术分享与课程建设。技术社区“有三AI”的创始人，撰写了超过200万字的原创技术文章。
乐于分享，善于总结，独自出版过4本深度学习领域的前沿著作：
《深度学习之图像识别：核心技术与案例实战》(机械工业出版社2019.4)
《深度学习之模型设计：核心算法与案例实践》(电子工业出版社2020.6)
《深度学习之人脸图像处理：核心算法与案例实战》(机械工业出版社2020.7)
《深度学习之摄影图像处理：核心算法与案例精粹》(人民邮电出版社2021.4)
郭晓洲（笔名：小米粥）
博士研究生，毕业于中国科学院半导体研究所，主要研究方向为生成模型、语音信号处理，具有扎实的理论基础和丰富的算法落地经验，发表多篇SCI、EI相关论文。技术社区“有三AI”专栏作者，负责“GAN的优化”、“生成模型”、“语音信号处理”等专栏的硬核技术输出。

第*部分 GAN原理解析
第*章 生成式模型
1.1无监督生成模型
1.1.1有监督学习与无监督学习
1.1.2生成模型与判别模型
1.1.3无监督生成模型
1.2显式生成模型
1.2.1最大似然估计
1.2.2精确显式生成模型
1.2.3近似显式生成模型
1.3隐式生成模型
1.4 本章小结
第2章 GAN的优化基础
2.1标准GAN
2.1.1判别器
2.1.2生成器
2.1.3纳什均衡
2.2 f-散度
2.2.1 KL散度
2.2.2 f-散度
2.3 Wasserstein距离
2.3.1 Wasserstein距离
2.3.2 1-Lipschitz限制
2.3.3 IPM
2.4 本章小结
第3章 GAN的训练
3.1不稳定性
3.1.1理论上的不稳定性
3.1.2实践上的不稳定性
3.2 稳定训练技巧
3.2.1 0中心梯度
3.2.2 一致优化
3.2.3历史均值
3.2.4标签单侧平滑
3.2.5特征匹配
3.3 模式崩溃
3.3.1模式崩溃
3.3.2目标函数解决方法
3.3.3网络结构解决方法
3.3.4 mini-batch判别器
3.4 本章小结
第4章 GAN的评估与可视化
4.1主观评测基准
4.1.1多样性
4.1.2图像质量
4.2 客观评测基准
4.2.1 inception分数
4.2.2 Mode分数
4.2.3 Kernel MMD
4.3 本章小结
第5章 GAN的结构
5.1单生成器与判别器
5.1.1 基本结构
5.1.2 条件GAN
5.1.3 添加其他网络
5.2 多生成器与判别器
5.2.1 单判别器多生成器
5.2.2 多判别器单生成器
5.2.3 多判别器多生成器
5.3 本章小结

第二部分 GAN应用实践
第6章 图像生成
6.1 图像生成简介
6.1.1 图像生成任务
6.1.2 图像生成应用
6.2 主流的模型架构
6.2.1
6.2.2
6.3 图像生成实战
6.3.1
6.3.2
第7章 风格迁移
7.1 风格迁移简介
7.1.1 什么是风格化
7.1.2 风格迁移应用
7.2 主流的模型架构
7.2.1
7.2.2
7.3 风格迁移实战
7.3.1
7.3.2
第8章 图像增强
8.1 图像增强任务
8.1.1 图像降噪
8.1.2 对比度增强
8.1.3 超分辨
8.2 主流的模型架构
8.2.1
8.2.2
8.3 图像增强实战
8.3.1
8.3.2
第9章 图像分割
9.1 图像分割简介
8.1.1 图像分割
8.1.2 GAN的应用
9.2 主流的模型架构
8.2.1
8.2.2
9.3 图像分割实战
8.3.1
8.3.2
第10章 目标检测
10.1 目标检测简介
10.1.1 图像分割
10.1.2 GAN的应用
10.2 主流的模型架构
10.2.1
10.2.2
10.3 目标检测实战
10.3.1
10.3.2
第11章 对抗攻击
11.1 模型泛化与攻击
11.1.1 泛化问题
11.1.2 对抗攻击
11.2 主流的模型架构
11.2.1
11.2.2
11.3 对抗实战
11.3.1
11.3.2
第12章 语音生成
12.1 语音生成简介
12.1.1 什么是语音生成
12.1.2 语音生成应用
12.2 主流的模型架构
12.2.1
12.2.2
12.3 语音生成实战
12.3.1
12.3.2