该方法常用于：
- 图像生成
- 图像修复，训练用了MSE+Global+Local数据，其中Global+Local判别式用于全局+局部一致性。
- 图像超分辨率重构
GAN的基本原理，主要包含两个网络，G（Generator）和D（Discriminator），含义如下：（以图像生成为例）
-
G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。
-
D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。
在训练过程中，生成网络G的目标就是尽量生成尽可能真实的图片，去欺骗判别网络D。
而D的目标就是尽量把G生成的图片和真实的图片分别开来。
这样，通过G和D之间的博弈训练。在最理想的结果是，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。
本文参考了 https://baike.baidu.com/item/GAN/22181905