DCGAN），显著提高了生成图片的分辨率和质量，证明了 GAN 完全具备生成高质量图片的潜力。
2016 年，英伟达研究副总裁刘洺堉（Ming-Yu Liu）提出“耦合生成式对抗网络”（Coupled GAN，CGAN），它可以通过共享部分生成器和判别器的参数来同时生成两个相关域中具备一致性的数据，这使得生成式对抗网络的输出结果从完全随机变为在一定程度上可被输入图像所影响，可实现诸如将夏天的景象转换为冬天的景象、将漫画风格的照片转化为真实风格的照片等应用。
2017 年，同样来自英伟达公司的研究员泰罗·卡拉斯（Tero Karras）发明了“渐增生成式对抗网络”（Progressive Growing GAN，PGGAN），提出可将多个 GAN 堆叠在一起，前一个 GAN 的输出作为下一个 GAN 的输入，达到从低分辨率（譬如 4×4 像素）的图像开始，逐渐提升到更高的分辨率（譬如 8×8像素、16×16 像素，最终到 1024×1024 像素）的目的。同年，谷歌将这项技术包装成“像素递归超分辨率”（Pixel Recursive Super Resolution）服务，号称可以去除栅格化的像素马赛克，还原（实际是迭代生成）成为肉眼可辨识的人物图像，效果如图 8-6 所示。
对于了解生成式对抗网络技术发展脉络的人来说，谷歌提供的这个服务并没有什么神奇之处，然而那时候（2017 年）GAN 尤其是 PGGAN 只在学术界的一定范围内流传，在工业界尚未广为人知，所以谷歌的“去马赛克服务”在当年拉满了话题热度。从传统信息学的角度来看，这个效果简直违背了香农定律，如同可以无中生有的魔法一般神奇，就像有人宣称他能够不通过下载，直接就从一个 BitTorrent 种子的哈希信息里面还原出整部电影那样令人惊诧。
第 8 章 从学习到创造
319