Redes generativas de confrontación
Las redes generativas adversarias (GAN) crean nuevos datos realistas al enfrentar dos redes neuronales entre sí en una competencia.
Descripción general
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Buceo profundo
Introducida por Ian Goodfellow en 2014, una GAN entrena dos redes a la vez. El generador inventa muestras falsas, como imágenes, a partir de ruido aleatorio. El discriminador juzga si cada muestra es real (a partir de los datos de entrenamiento) o falsa (a partir del generador). Compiten: el generador intenta engañar al discriminador, mientras que el discriminador intenta no dejarse engañar. A medida que ambos mejoran, las falsificaciones se vuelven sorprendentemente realistas. Las GAN impulsaron los rostros fotorrealistas de "Esta persona no existe", y StyleGAN estableció el estándar para retratos de alta resolución. Son notoriamente difíciles de entrenar, propensos a la inestabilidad y al "colapso de modo", donde el generador produce sólo unas pocas salidas repetitivas. Desde entonces, los modelos de difusión los han superado en muchas tareas de imágenes, pero las GAN siguen siendo rápidas en su generación e influyentes.
Información técnica
El entrenamiento es un juego minimax entre dos redes con objetivos opuestos. El discriminador está entrenado para generar puntuaciones altas para datos reales y puntuaciones bajas para datos generados; el generador está entrenado para hacer que el discriminador genere puntuaciones altas para sus falsificaciones. Fundamentalmente, el generador nunca ve imágenes reales directamente, solo aprende de la señal de gradiente que pasa a través del discriminador. En el equilibrio teórico, la distribución de producción del generador coincide con los datos reales y el discriminador no puede hacer nada mejor que adivinar.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro de las redes generativas adversarias
Los modelos de difusión ahora dominan la generación de imágenes de alta calidad, por lo que las GAN puras han perdido su corona en muchas tareas creativas. Su ventaja es la velocidad: una GAN genera una imagen en un solo paso hacia adelante, mientras que la difusión necesita muchos pasos, por lo que las GAN persisten en usos en tiempo real, superresolución y generación en el dispositivo. Los sistemas híbridos utilizan cada vez más pérdidas adversas de estilo GAN para mejorar los resultados de otros modelos. Espere que las GAN sigan existiendo como un componente rápido y liviano en lugar de un generador de titulares.
Implementación en el mundo real
Generar rostros fotorrealistas de personas inexistentes, como en ThisPersonDoesNotExist.com
Mejora y nitidez de imágenes de baja resolución y vídeos antiguos (súper resolución)
Crear datos de entrenamiento sintéticos para campos donde los datos reales son escasos o privados
Transferencia de estilo y edición de fotografías, como convertir bocetos en imágenes realistas o envejecer una cara.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayudan las redes generativas adversarias y dónde los métodos más simples son mejores.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Generative Adversarial Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Graficar redes neuronales
Preguntas frecuentes
What is Generative Adversarial Networks?
Las redes generativas adversarias (GAN) crean nuevos datos realistas al enfrentar dos redes neuronales entre sí en una competencia. Produjeron la primera ola de rostros convincentes generados por IA y siguen siendo una idea histórica en la IA generativa.
¿Cuáles son las dos redes que compiten en una GAN?
Una GAN empareja un generador, que crea muestras falsas, con un discriminador, que intenta distinguir los datos reales de los falsos del generador.
¿De qué parte el generador al crear una nueva muestra?
El generador transforma un vector de ruido aleatorio en una muestra sintética y aprende a transformar ese ruido en una salida realista.
¿Cómo mejora el generador durante el entrenamiento?
El generador nunca ve datos reales directamente; mejora utilizando la retroalimentación (gradientes) que proporciona el discriminador sobre cuán falsas parecen sus salidas.
¿Qué es el 'colapso de modo' en una GAN?
El colapso del modo ocurre cuando el generador encuentra algunas salidas que engañan al discriminador y continúa produciéndolas, perdiendo diversidad.
¿Quién introdujo las GAN y en qué año?
Ian Goodfellow y sus colegas introdujeron las GAN en 2014, iniciando una ola de investigación sobre modelos generativos adversarios.