A brief Review:

GAN:

极市开发者平台-计算机视觉算法开发落地平台-极市科技

优化D使得它能分辨出真实样本x和生成的样本G(z);

优化G使得它生成的样本G(z)被判别器判定为真实样本；

D(*)=1表示为真实样本；

$$ \min_G\max_{D}\mathbb{E}{x\sim p(x)}log\{D(x)\}+\mathbb{E}{z\sim q(z)}\{log(1-D(G(z)))\} $$

实际上在优化生成器时，直接min -E{log(D(G(z)))}, 防止梯度消失；

优点：

1. 对过拟合鲁邦，因为生成器从来没有见过训练数据X；
2. 经验上来看，GANs擅长捕捉分布的模式；

缺点：

1. 没有直接的计算p(X)，因此原始版本的GAN只能用来采样和生成；
2. 难训练；容易梯度消失、难收敛

VAE：

将真实样本映射为给定的先验分布，从变分分布中采样出中间变量Z，再由Z生成样本；

$$ Loss=MSELoss(X, \hat{X})+KL(q_{\phi}(z|x)||p(z｜x)), p(z|x)\sim N(0, 1) $$