Изменения

Основная цель при генерации объектов для прикладных целей обычно состоит в том, чтобы научиться создавать изображения, которые человек не может отличить от изображений, полученных иных путём. Такие изображения могут использоваться, среди прочего, для более дешёвого создания модельных снимков, обложек или пейзажей. Одним из ярких примеров такого использования является создание фотографий вымышленных людей для рекламы в расчёте на то, что люди будут больше ассоциировать себя с образом, не представляющим кого-либо конкретного, но сочетающим в себе те черты, которые есть у них самих. Также А модель [[Generative Adversarial Nets (GAN) | GAN]] под названием Speech2Face может реконструировать изображение лица человека после прослушивания его голоса. Генерация объектов может улучшать астрономические изображения и использоваться при моделировании дорогостоящих для изучения физических процессов. В 2019 году это использовалось при помощи [[Generative Adversarial Nets (GAN) | состязательных сетей]] для успешного моделирования распределения темной материи в определенном направлении в пространстве и для предсказания гравитационного линзирования. В Google также активно используется модель [https://en.wikipedia.org/wiki/WaveNet WaveNet] которая способна генерировать речь, похожую на голос любого человека, и другие звуки, включая музыку (например, композиции на пианино). Янхуа Цзинь и др. в своей [https://arxiv.org/abs/1708.05509 статье] 2017 года демонстрируют обучение и использование GAN для создания лиц аниме-персонажей. Позже, вдохновившись примерами аниме, пытались создать персонажей покемонов, например, в [https://github.com/moxiegushi/pokeGAN pokeGAN project].  Еще генерация объектов может использоваться при воссоздании текстур старых игр в лучшем расширении (пример игры, для которой был использован такой метод – [https://ru.wikipedia.org/wiki/Resident_Evil Resident Evil] ), улучшении астрономических изображений и моделировании дорогостоящих для изучения физических процессов.