<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>GAN on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/gan/</link>
    <description>Recent content in GAN on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Sat, 20 Sep 2025 16:31:46 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/gan/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>生成对抗网络的七大开放性问题</title>
      <link>https://blog.qife122.com/p/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E7%9A%84%E4%B8%83%E5%A4%A7%E5%BC%80%E6%94%BE%E6%80%A7%E9%97%AE%E9%A2%98/</link>
      <pubDate>Sat, 20 Sep 2025 16:31:46 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E7%9A%84%E4%B8%83%E5%A4%A7%E5%BC%80%E6%94%BE%E6%80%A7%E9%97%AE%E9%A2%98/</guid>
      <description>&lt;h1 id=&#34;生成对抗网络的开放性问题&#34;&gt;生成对抗网络的开放性问题&lt;/h1&gt;&#xA;&lt;p&gt;根据某些指标，生成对抗网络（GANs）的研究在过去两年取得了实质性进展。图像合成模型的实用改进几乎快到无法跟上节奏。然而，从其他指标来看，进展较少。例如，关于如何评估GANs仍存在广泛分歧。鉴于当前图像合成基准似乎有些饱和，现在正是反思该子领域研究目标的好时机。&lt;/p&gt;</description>
    </item>
    <item>
      <title>动态增长生成对抗网络技术解析</title>
      <link>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%A2%9E%E9%95%BF%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Sun, 14 Sep 2025 07:48:12 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%8A%A8%E6%80%81%E5%A2%9E%E9%95%BF%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h1 id=&#34;动态增长生成对抗网络逐层构建的新方法&#34;&gt;动态增长生成对抗网络：逐层构建的新方法&lt;/h1&gt;&#xA;&lt;p&gt;生成对抗网络（GANs）能够生成非常逼真的合成图像。在训练过程中，生成器负责生成图像，判别器则尝试区分真实图像和合成图像。两者之间的&amp;quot;军备竞赛&amp;quot;可以产生非常逼真的生成器。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
