目前GAN的最基本的应用就是生成以假乱真的图像。图像生成的任务主要分两种，第一种是生成某种类别的图像，第二种是根据用户的描述生成符合描述的图像。目前，第一种图像生成的任务已经取得了很好的效果，例如2016年发表的PPGN模型，在视觉效果上已经取得了行业顶尖的效果，其生成的火山图像整体上已经可以达到以假乱真的效果。而根据描述生成图像的任务，目前达到的效果还差强人意。这个任务的难点在于，生成器并不是学到了如何生成每个物体之后把它们组合起来，而是尝试一次到位生成整张图像，这与人类绘画的过程不一样。GAN根据文字生成单个物体的图像效果很不错，但在多物体的复杂图像上效果就差得多，有时候甚至难以分辨生成的图像内容。可见，在文字转换为图像这个领域，还有非常大的研究空间。




计算机视觉计算摄影_损失函数


另一种很热门的应用是图像转换(image-to-im-age translation)，图像风格迁移只是其中一小类而已。具体而言，图像转换可以包含很多种，例如把一张夏天的图像转换成冬天的样子，给用笔画的物体轮廓填上彩色的细节纹理，给手机拍摄的照片自动虚化使之看起来像单反相机拍摄的一样，等等。今年初发表的CycleGAN模型就是利用了对抗机制与范数损失函数结合的办法，加上类似对偶学习(dual learning)的对偶模型设计，使得模型能够在无标注的数据集上取得良好的表现。

最近的有学者提出RTT-GAN模型则实现了上述“看图写作”的能力给出一张图以及对图中一些物体的简短描述，模型会生成一段连贯的篇章，而用户可以通过控制先描述的物体来改变图像中物体的描述顺序，从不同的描述中体会到不同的观测视角。