全文总字数：3937字
文献综述
1. 前言一直以来，技术创新不断驱动着新的艺术媒介诞生，在人工智能的时代背景下，技术的不断突破同样将为人们造就更为多元的艺术创作空间，给艺术创作领域带来更多想象和进一步的可能。
目前，深度学习技术主要在三个方向解决人类的问题：自然语言处理、语音处理和计算机图像处理，计算机图像方向又有图像分类、图像识别、图像生成等不同方面的应用。
在图像生成方面，生成对抗网络（Generative adversarial networks, GAN）则是一种十分优秀的生成式模型，它在深度学习领域引爆了许多与图像生成相关的应用。
在计算机视觉领域，借助生成对抗网络实现不同风格的人脸头像生成的一直以来是人们研究的热点，其中最广泛的应用是动漫风格的头像生成。
相比于其他传统方法，生成对抗网络不会去假设数据服从某一分布，然后使用极大似然去估计数据分布，它不依赖任何先验假设，并且，GAN生成real-like样本的方式通过生成器G的前向传播，较为简单。
生成对抗网络模型的核心思想来源于博弈论中的二人零和博弈，它由两个不同的而非单一的网络构成，即判别器网络D和生成器网络G，并且采用对抗性的训练方式。
在训练过程中，G接收一个随机的噪声z（随机数），通过这个噪声生成图像；判别器的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率。
生成器的目标就是尽量生成真实的图片去欺骗判别器。
而判别器的目标就是尽量辨别出生成器生成的假图像和真实的图像。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
