登录社区云，与社区用户共同成长
邀请您加入社区
（Progressive Growing of GANs）由Tero Karras等人于2017年提出，是首个能够稳定生成的生成对抗网络。在它之前，生成高分辨率图像如同攀登珠峰，既危险又困难；在它之后，高分辨率图像生成成为标准配置。
生活场景类比：生成对抗网络就像一个造假者和一个鉴宝师在互相竞争。造假者（生成器）试图制造假文物，鉴宝师（判别器）试图区分真假文物。随着时间的推移，造假者的技艺越来越高超，鉴宝师的眼光也越来越敏锐，最终造假者能制造出几乎以假乱真的文物。生成器（Generator）：生成假数据，试图欺骗判别器判别器（Discriminator）：区分真实数据和生成器生成的假数据"""残差块，有助于梯度流动和信息保留"
2014年，伊恩・古德费洛在蒙特利尔小酒馆灵光一闪，提出让两个神经网络互相对抗的构想，由此诞生了改变AI领域的生成对抗网络(GANs)。这一技术通过生成器与判别器的对抗训练，实现了从随机噪声生成逼真图像的能力。从最初的DCGAN到后来的StyleGAN，GANs技术不断演进，在图像生成、艺术创作、医学影像等领域展现出惊人创造力。在大模型时代，GANs与Transformer等技术的融合进一步拓展了
生成对抗网络（Generative Adversarial Network, GAN）是一种通过对抗训练生成数据的深度学习模型，由生成器（Generator）和判别器（Discriminator）两部分组成，其核心思想源于博弈论中的零和博弈。
从理论推导到工程实现，GAN的发展印证了深度学习中“对抗训练”范式的有效性——通过构建竞争机制，模型能够学习到更复杂、更真实的数据分布。（Discriminator）负责判断输入的数据是真实的还是生成的，目的是找出生成器做的“假数据”。本文从理论起源、数学建模、网络架构、工程实现到行业应用，系统拆解GAN的核心机制，涵盖基础理论推导、改进模型分析、评估指标设计及多领域实践案例，为复杂分布建模提供完
EasyAnimate到了V3版本，我们将vae修改从MagVIT替换成了Slice VAE，同时支持图生视频，扩大了生成的分辨率。现在EasyAnimate支持图 和 文 生视频同时最大支持960x960 144帧的视频生成，FPS为24，另外通过图生视频的能力，我们还可以进行视频续写，生成无限长视频。本文主要进行EasyAnimateV3的算法详解，并且介绍一下EasyAnimateV3的使用
