第1章　绪论

经典的数字图像处理（Digital Image Processing，DIP）一般是为解决图像中的某些问题而进行的操作，如图像恢复、图像增强、图像滤波等的目的是提高图像质量；图像分割、图像配准、特征提取等则是对图像的特征进行处理，为进一步的图像分析、图像理解等做准备。它们都有一个共同的特点，就是在原有的图像上进行处理，因此，无论图像质量如何，都需要先有一幅或多幅图像存在。即使是超分辨率图像重建，也是在一个低分辨率图像的基础上进行的。

本书介绍的生成对抗网络（Generative Adversarial Network，GAN）包括变分自编码器（Variational Auto-Encoder，VAE）等图像生成模型，在某种程度上可以说是“无中生有”，即生成新的目标图像——现实世界中不存在的场景图像，但与同类的真实图像极其相似。从图像技术的角度看，GAN是图像处理方面的一大进步。

尽管GAN是基于神经网络的一类生成模型，其主要功能是“生成”图像，但实际上，GAN可以看作一类新型处理方式，不仅限于“生成”，对于不少经典图像处理问题也“多有建树”，更重要的是其带来了一些新的图像处理方式，如图像翻译、图像风格转换、图像编辑等。也就是说，在理论基础和处理工具方面，GAN的出现带来了一些质的变化，除了传统的信号处理方法，基于神经网络的图像处理使我们可以解决一些复杂的问题，尤其是难以用公式表达的问题。

总之，GAN是在当今由人工智能（Artificial Intelligence，AI）主导的大变革背景下产生和发展起来的一种新技术，图像是它目前最适合的应用领域。GAN既包含经典的图像处理内容，也包含人工智能、数字视觉和神经网络等新理论和新技术。

本章给出了GAN及其在图像处理中的应用概况。其中，第1节和第2节分别简述了从经典的图像处理到现代的数字视觉、从一般的神经网络到深度神经网络的发展；第3节给出了两大类生成模型，即概率生成模型和对抗生成模型；在此基础上，第4节总体介绍了GAN在图像及其他领域的应用。