DCGAN（Deep Convolutional GAN）

概述

2015年提出的深度卷积生成对抗网络，通过将传统GAN的全连接层替换为卷积层，显著提升了生成质量和训练稳定性，成为后续所有CNN-based生成模型的基础架构。

关键内容

1. 架构创新：DCGAN首次将卷积神经网络成功应用于GAN框架，用ConvTranspose2d（转置卷积）替代池化层进行上采样，用strided convolutions替代池化层进行下采样，整个网络完全由可学习的卷积操作构成。

2. 训练稳定性提升：相比原始GAN，DCGAN引入了多项关键技术：（1）在生成器中广泛使用Batch Normalization（除输出层）；（2）在判别器中使用LeakyReLU激活函数；（3）生成器输出层使用Tanh激活而非ReLU；（4）取消全连接层，采用纯卷积架构。

3. 设计原则：DCGAN建立了生成模型的通用设计准则：使用卷积替代全连接、逐步上采样、逐步下采样、批归一化等，这些原则被后续几乎所有基于CNN的生成模型所采纳。

4. 应用价值：DCGAN使得GAN能够生成高质量的图像（如64x64人脸），并展示了GAN在特征学习方面的潜力，为后来的PGGAN、StyleGAN等高分辨率生成模型奠定了基础。

来源

• Radford, Alec, et al. "Unsupervised representation learning with deep convolutional generative adversarial networks." arXiv 2015 — 原始论文
• paper_08_gan.md — 源文件

相关

• 生成对抗网络（GAN） — extends
• Generative Adversarial Nets (2014 论文) — extends
• Alec Radford — author
• 卷积神经网络 — part_of
• Batch Normalization — uses
• 转置卷积 — uses