Réseaux adverses génératifs
Les réseaux contradictoires génératifs (GAN) créent de nouvelles données réalistes en opposant deux réseaux de neurones dans un concours.
Aperçu
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Plongée profonde
Introduit par Ian Goodfellow en 2014, un GAN forme deux réseaux à la fois. Le générateur invente de faux échantillons, comme des images, à partir de bruits aléatoires. Le discriminateur juge si chaque échantillon est réel (à partir des données d'entraînement) ou faux (à partir du générateur). Ils entrent en compétition : le générateur essaie de tromper le discriminateur, tandis que le discriminateur essaie de ne pas se laisser tromper. À mesure que les deux s’améliorent, les contrefaçons deviennent étonnamment réalistes. Les GAN ont alimenté les visages photoréalistes de « This Person Does Not Exist », StyleGAN établissant la norme en matière de portraits haute résolution. Ils sont notoirement difficiles à entraîner, sujets à l’instabilité et au « effondrement de mode », où le générateur ne produit que quelques sorties répétitives. Les modèles de diffusion les ont depuis dépassés pour de nombreuses tâches d’image, mais les GAN restent rapides à générer et influents.
Aperçu technique
L'entraînement est un jeu minimax entre deux réseaux aux objectifs opposés. Le discriminateur est formé pour produire des scores élevés pour les données réelles et des scores faibles pour les données générées ; le générateur est formé pour que le discriminateur génère des scores élevés pour ses contrefaçons. Surtout, le générateur ne voit jamais directement les images réelles, il apprend uniquement à partir du signal de gradient renvoyé par le discriminateur. À l'équilibre théorique, la distribution de sortie du générateur correspond aux données réelles et le discriminateur ne peut pas faire mieux que deviner.
Impact stratégique
Décisions plus claires
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Coût et budget
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Équipe et flux de travail
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
L’avenir des réseaux contradictoires génératifs
Les modèles de diffusion dominent désormais la génération d’images de haute qualité, de sorte que les GAN purs ont perdu leur couronne pour de nombreuses tâches créatives. Leur avantage est la vitesse : un GAN génère une image en un seul passage, tandis que la diffusion nécessite de nombreuses étapes, de sorte que les GAN persistent dans les utilisations en temps réel, la super-résolution et la génération sur l'appareil. Les systèmes hybrides utilisent de plus en plus les pertes contradictoires de type GAN pour affiner les résultats d’autres modèles. Attendez-vous à ce que les GAN perdurent comme un composant rapide et léger plutôt que comme un générateur de titres.
Mise en œuvre dans le monde réel
Générer des visages photoréalistes de personnes inexistantes, comme sur ThisPersonDoesNotExist.com
Mise à l'échelle et netteté des images basse résolution et des anciennes vidéos (super-résolution)
Création de données de formation synthétiques pour les domaines où les données réelles sont rares ou privées
Transfert de style et retouche photo, comme transformer des croquis en images réalistes ou vieillir un visage
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Documentez les domaines dans lesquels les réseaux contradictoires génératifs sont utiles et les domaines dans lesquels les méthodes plus simples sont préférables.
Continuez à explorer
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
Guide suivant
Réseaux de neurones graphiques
Questions fréquemment posées
What is Generative Adversarial Networks?
Les réseaux contradictoires génératifs (GAN) créent de nouvelles données réalistes en opposant deux réseaux de neurones dans un concours. Ils ont produit la première vague de visages convaincants générés par l’IA et restent une idée phare dans le domaine de l’IA générative.
Quels sont les deux réseaux concurrents dans un GAN ?
Un GAN associe un générateur, qui crée de faux échantillons, à un discriminateur, qui tente de distinguer les données réelles des faux du générateur.
De quoi part le générateur lors de la création d'un nouvel échantillon ?
Le générateur transforme un vecteur de bruit aléatoire en un échantillon synthétique, apprenant à façonner ce bruit en sortie réaliste.
Comment le générateur s’améliore-t-il pendant l’entraînement ?
Le générateur ne voit jamais directement les données réelles ; il s'améliore en utilisant le retour (gradients) fourni par le discriminateur sur l'apparence fausse de ses sorties.
Qu'est-ce que « l'effondrement des modes » dans un GAN ?
L'effondrement des modes se produit lorsque le générateur trouve quelques sorties qui trompent le discriminateur et continue de les produire, perdant ainsi de la diversité.
Qui a introduit les GAN et en quelle année ?
Ian Goodfellow et ses collègues ont introduit les GAN en 2014, lançant ainsi une vague de recherches sur les modèles génératifs contradictoires.