3个优势
- 能更好建模数据分布（图像更锐利、清晰）
- 理论上，GANs 能训练任何⼀种⽣成器⽹络。其他的框架需要⽣成器⽹络有⼀些特定的函数形式，⽐如输出层是⾼斯的。
- ⽆需利⽤⻢尔科夫链反复采样，⽆需在学习过程中进⾏推断，没有复杂的变分下界，避开近似计算棘⼿的概率的难题。
2个缺陷
- 难训练，不稳定。⽣成器和判别器之间需要很好的同步，但是在实际训练中很容易D收敛，G发散。D/G 的训练需要精⼼的设计。
- 模式缺失（Mode Collapse）问题。GANs的学习过程可能出现模式缺失，⽣成器开始退化，总是⽣成同样的样本点，⽆法继续学习。