Изменения

Если сравнивать [[Generative Adversarial Nets (GAN ) | GAN]] с PixelCNN/PixelRNN, то можно отметить значительно более хорошее качество получаемых изображений у генеративно-состязательного метода. Однако, из-за этого у метода GAN время обучения занимает больше временимедленнее, чем у PixelCNN и PixelRNN. Для реализации GAN требуется найти равновесие Нэша, но в настоящее время нет алгоритма делающего это. Поэтому обучение GAN более нестабильное, если сравнивать с другими методами<ref name=Reg>[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.