關於生成對抗網路的七個開放性問題，個個都是靈魂追問。
生成對抗網路在過去一年仍是研究重點，我們不僅看到可以生成高解析度（1024×1024）影像的模型，還可以看到那些以假亂真的生成影像。此外，我們還很興奮能看到一些新的生成模型，它們能生成與 GAN 相媲美的影像，其主要代表就是流模型 Glow。
從 DeepMind 提出的 BigGAN，到英偉達的 Style-based Generator，它們生成的影像質量都令人驚歎。儘管還有很多問題沒有解決，但影像生成已經能騙過一般人類了。不信的話，你可以試試區分生成的影像與真實影像。
看了上面 Style-based Generator 的生成效果，很明顯感覺生成對抗網路在過去 2 年中已經取得了顯著的進展。其實，從 16 年到 18 年影像合成的質量越來越高，看論文的速度都快趕不上 GAN 的發展了：
但是在另一些方面，GAN 的提升並不是那麼顯著。例如，關於如何評估 GAN 的效果，現在仍有很多分歧。因為目前影像合成基準已經非常多了，所以反思子領域的研究目標顯得更有意義。
在這篇文章中，谷歌大腦團隊的 Augustus Odena 就針對 GAN 的七大開放性問題作出了介紹。
問題 1：如何在 GAN 和其它生成模型之間進行挑選？
問題 2：GAN 能建模哪些分佈？
問題 3：除了影像合成外，GAN 還能用於哪些地方？
問題 4：GAN 的全域性收斂性如何？訓練動態過程又是怎樣的？
問題 5：我們該如何評估 GAN 的好壞，什麼時候又該使用 GAN 這種生成模型？
問題 6：如何擴充套件訓練 GAN 的批次大小？
問題 7：GAN 和對抗樣本之間有什麼關係？
Augustus 對每一個問題都做了很詳細的討論，包括問題背景、問題內容以及如何解決等等。這篇文章釋出在 Distill 上，機器之心簡要對六大問題做了介紹，更詳細的內容與相關引用文獻可閱讀原文。
谷歌大腦和其他很多研究者都在致力於解決這些 GAN 的開放性研究問題。這篇文章也引用了近來非常多的生成對抗網路研究，因此並不能面面俱到地描述細節，所以讀者有一定的基礎、對這些問題有一定的直觀瞭解就最好了。