計算機視覺頂會CVPR 2018召開在即，從接收的論文看，這屆會議展現出了怎樣的趨勢？你不要不信，生成對抗網絡GAN，正在成為新的“深度學習”。

又到了一年一度CVPR的時節。

當被接收的論文列表公布以后（點擊這里查看所有論文列表），愛統計趨勢的我們又有很多事情可以做了。

這一次，Google Research的研究科學家Jordi Pont-Tuset做了一個統計，根據論文題目，看深度學習的發展趨勢。結果，他發現生成對抗網絡（GAN）強勢出擊，大有取代“深度學習”（Deep Learning）之勢。

下面這張圖展示了CVPR 2018的論文題目中，關鍵詞GAN、Deep，以及LSTM的對比：

可以看出，普通的“深度學習”已經在走下坡路，而且趨勢明顯。Jordi Pont-Tuset認為，這很可能是研究人員已經見慣不慣了。

與此同時，GAN則大幅抬頭，有8%的論文標題中含有GAN（相比2017年增長了2倍多），已經不能說是少數，而是相當有分量的一個方向了。

此外，LSTM也出現下滑，可能是越來越多人開始關注并使用Attention的方法。

“深度學習”趨于飽和，GAN強勢飛升

GAN的上升趨勢并不是從CVPR 2018才開始的。下面這張圖展示了從2013年到2017年CVPR期間，GAN（以及LSTM）在CVPR、ICCV和ECCV這三大計算機視覺頂會論文標題中出現的頻次。統計者依然是Jordi Pont-Tuset。

盡管占比的絕對值不高（在2017年時為2.5%），但可以發現GAN從CVPR-16開始一飛沖天的趨勢。

這種趨勢在隨后舉行的ICCV 2017上更加明顯，GAN在ICCV-17上已經超越了LSTM，并且占比達到了4%。

再來看“深度學習”，三大CV頂會的數據表明，歷經2014年到2016年的火爆，從2017年開始，雖然還在增長（CVPR的稍微多一些），但都已趨于飽和。

GAN是新的“深度學習”？

需要指出，這里統計的僅僅是三大計算機視覺會議接收論文的標題里的關鍵詞。

就像Jordi Pont-Tuset推測的那樣，普通的“深度學習”可能已經為人熟知，如今在研究領域開始往更細的、更具體的方向發展，比如GAN。

生成對抗網絡（Generative Adversarial Nets）在 Ian Goodfellow 等人2014年的論文《Generative Adversarial Nets》中提出，是非監督學習的一種方法，通過讓兩個神經網絡相互博弈的方式進行學習。

GAN結構示意。來源：Slinuxer

生成對抗網絡由一個生成網絡（Generator）與一個判別網絡（Discriminator）組成。生成網絡從潛在空間（latent space）中隨機采樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。生成對抗網絡常用于生成以假亂真的圖片。此外，該方法還被用于生成視頻、三維物體模型等。

現在，《Generative Adversarial Nets》這篇論文的引用數量已經達到了3363次。

在一次Quora問答直播中，Yann LeCun表示，生成對抗性網絡是近十年來最有趣的想法，是人工智能最值得期待的算法之一。

去年在接受吳恩達的采訪時，Ian Goodfellow曾經說，GAN是生成模型的一種，實際上 GAN 能做的事情，很多其他生成模型也能做，如果GAN的訓練能穩定下來，甚至像深度學習那么可靠，那么GAN就能真正發展起來。如果不能，那么GAN 將會被其他方法所取代。他有大約 40% 的時間都用在穩定 GAN 上面。

至少從這屆CVPR看，GAN被取代的情況還完全不存在。

現在，有很多針對GAN的研究，除了Ian Goodfellow所在的谷歌和他之前所在的OpenAI，FAIR/NYU也是一大重鎮。實際上，是FAIR/NYU最先把GAN帶進了我們的視野，提出了LAPGAN，那是GAN第一次生成了逼真的高清圖像，也是第一次得到媒體曝光。

另外一個重要陣營是伯克利+英偉達，他們專注超高清逼真圖像和視頻，無監督翻譯，等等。伯克利的CycleGAN，利用對偶學習并結合GAN機制來優化生成圖片的效果。英偉達則采取“漸進式生成”技術訓練GAN，讓計算機可以生成1024*1024大小的高清圖片，幾乎可以以假亂真。

除了圖像生成，GAN的應用也已經拓展到了NLP和Robot Learning。

Ian Goodfellow在去年一次問答中表示，GAN是使用強化學習來解決生成建模問題的一種方式。“GAN的不同之處在于，獎勵函數對行為是完全已知和可微分的，獎勵是非固定的，以及獎勵是Agent的策略的一個函數。”Goodfellow說：“我認為GAN基本上可以說就是強化學習。”