图9：使用历史精细图像对判别网络进行更新的结果。
左图： 标准合成图像；中图：使用历史数据对判别网络进行更新后的图像结果；右图：使用近期历史数据对判别网络进行更新的图像结果。如图所示，使用反复训练的历史精细化图像刻产生更为真实的阴影。
4 结论以及下一步工作
在文中，我们提出了一种“模拟+无监督”的机器学习方法，能够有效提高模拟图像的真实感。我们描述了一种新的生成对抗网络SimGAN，并将其应用于未经标注的真实图像，获得了最好的结果。下一步，我们将继续探索为合成图像建立更为逼真的精细图像，同时研究如何对视频进行处理。
智东西语：
看完上面的苹果论文全文是不是还是一脸懵逼的状态？除非专业研究人员，应该不会看懂论文中的这些复杂公式，不过这都不重要，这篇论文的表面意思很好理解，苹果通过合成的图像来训练机器的图像识别功能，据说效果还不错。
这篇论文公开的另一个深层次意义则是源于这月初在西班牙举办的人工智能领域大会NIPS上，苹果AI研发部门负责人Russ Salakhutdinov宣布，苹果将会允许自己的AI研发人员公布自己的论文研究成果，并积极加入到AI学术圈的讨论当中。这篇算是一个开头，不过一向保密的苹果这次表现得如此开放，也是有其私心的，希望通过加强交流，网罗更多人工智能方面的人才加入苹果才是真实目的。
登陆|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！