Изменения

[[File:exampleCNNexampleGAN.png|450px|thumb|Рисунок 78. Лица, сгенерированные с помощью PixelCNN сетей GAN <ref name=NaturalModelingForwardScience>[https://arxivtowardsdatascience.orgcom/how-to-train-stylegan-to-generate-realistic-faces-d4afca48e705 Towards data science]</pdfref>]] Если сравнивать [[Generative Adversarial Nets (GAN) | GAN]] с PixelCNN/1612PixelRNN, то можно отметить более хорошее качество получаемых изображений у генеративно-состязательного метода. Однако у метода GAN время обучения медленнее, чем у PixelCNN и PixelRNN.08185v4Для реализации GAN требуется найти равновесие Нэша, но в настоящее время нет алгоритма делающего это.pdf#pageПоэтому обучение GAN более нестабильное, если сравнивать с другими методами<ref name=8 Natural ModelingReg>[https://towardsdatascience.com/auto-regressive-generative-models-pixelrnn-pixelcnn-32d192911173 Auto-Regressive Generative Models]</ref>. В настоящее время многие мировые компании используют GAN для генерации изображений, например: [https://neurohive.io/ru/papers/pggan-progressivnaja-generativnaja-nejroset-ot-nvidia/ PGGAN]от ''Nvidia'', [https://bdol.github.io/exemplar_gans/ Exemplar GAN]от ''Facebook'' и другие.