上圖中的圖片有什麼共同點？回答是這些臉都是虛構的，是由GAN（對抗神經網路）生成的。自從2014年第一次提出之後，做為一種生成式的模型，不到五年的時間，GAN已經衍伸出很多意料之外的應用場景，本文簡述其中五個，未來預期GAN會在更多的領域大放異彩。關於GAN的基礎知識，可以參考對抗神經網路初探，GAN用在藝術品生成與風格遷移的具體案例分析，可以參考怎麼樣用深度學習取悅你的女朋友（有程式碼）。
1）影象編輯
這簡直是美圖秀秀中的各種濾鏡的升級版，給出一張原始的妹子圖片，可以生成出金發版，捲髮版，微笑版，還能ps出你的雙胞胎兄弟長什麼樣。
不止是對人物進行定向的修改，還能修改圖片中的壞境因素，例如上圖中左圖中是下雨的場景，右圖是GAN生成的同樣壞境但是沒有下雨的照片，倆者人眼看來，就只能看出是否下雨這一個差異來。實現這樣黑科技的，是GAN的一個變種，稱為conditional GAN， 有了這項技術，就可以根據一個人小時候的照片，生成其長大後，年老後的樣子，或者你上傳你家狗狗的照片，然後再虛擬的壞境下給狗狗換衣服，然後你再購買你喜歡的狗狗衣服。這項技術也存在著被濫用的風險，比如生成虛擬的果照。關於技術細節，請閱讀參考資料【1】與【2】。
2）惡意攻擊檢測
通過給深度神經網路一些特異生產的訓練資料，深度學習生成的模型是可以被黑客攻擊，利用甚至控制的。為了對抗這樣的逆向攻擊（adversarial attacks），可以訓練對抗神經網路去生成更多的虛假訓練資料作為假想敵，讓模型在演習中去識別出這些虛假資料，就如同人類打疫苗，GAN生成的虛假資料讓正在做分類的模型更加穩健。
另一個在安全領域的應用的加密傳輸，在圖片中，可以使用額外的畫素來加密一段文字，從而你以為你接收的是一副普通的圖片，但實際上通過解密，卻可以發現其中包含了加密的資訊。GAN的變種SSGAN，通過在傳統的GAN模型中增加一個判別器，可以識別出這樣加密後的影象，也可以用於更高效生成上述的加密資訊。參考【3】
3）資料生成
在特定的應用場景下，例如醫療領域，缺少訓練資料是應用深度學習的最大障礙。資料增強的傳統做法是將原影象拉伸旋轉剪下，但這畢竟還是原來的影象，通過使用GAN，能夠生成更多類似的資料，如下圖所示，右邊是真實的圖片，而左邊是合成的訓練資料，中間的是GAN生成後原始圖片，之後經過了修飾，使得面部的肌肉和紋理更加真實。這個GAN生成的圖片，通過了圖靈測試，讓眼科醫生都無法分辨出。而隨著生成出的資料被加入訓練集，相同的模型在分類任務上的表現也有所提升，具體參考【4】。
4）注意力預測
人類在看一張圖片時，往往只關注特定的部分，而通過GAN模型，可以預測出人類關心的區域在哪裡，下圖展示的SalGAN預測出的圖片中人類觀測的熱點區域，和真實的區域，以及之前模型的對比。SalGAN的預測不止更準確，而且能夠包含很多之前模型沒有預測到的區域。對注意力的預測，可以指導廣告的投送，例如在電影中做植入廣告前，可以先預測一下植入的區域是不是在注意力的熱點區。類似的方法還可以反過來用，假設不同型別的人有不同的注意力熱點模式，根據一個人關注圖片中的那個部分，來對人進行歸類。參考【5】
5）三維結構生成
pix2vox是一個基於GAN的開源工具，能夠根據手繪的二維圖片，生成對應的三維結構，不止有對應的形狀，還會生成對應的顏色，有了這樣的工具，就能降低3D建模的門檻，從而讓3D列印更容易的落地。
總結
標註資料總是少數的，未標註的資料才是待開掘的金礦。GAN可以通過標註資料，生成模擬資料，也可以用在自監督學習中，讓模型具備從部分標記的資料中學習的能力。本文只是列出了在圖片上使用GAN的五種有趣的場景，在視訊，有向圖及自然語言處理上，GAN也有諸多應用，結合貝葉斯網路，GAN還可以應用在因果推理，參考文獻【7】。
參考文獻
【1】https://github.com/hezhangsprinter/ID-CGAN
【2】 https://arxiv.org/pdf/1611.06355.pdf
【3】 https://arxiv.org/ftp/arxiv/papers/1707/1707.01613.pdf
【4】 https://arxiv.org/pdf/1612.07828.pdf
【5】 https://arxiv.org/pdf/1701.01081.pdf
【6】 https://github.com/maxorange/pix2vox
【7】 https://arxiv.org/pdf/1810.07406.pdf