Rețele adversare generative
Generative Adversarial Networks (GAN) creează date noi realiste punând două rețele neuronale una împotriva celeilalte într-un concurs.
Prezentare generală
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Scufundare în profunzime
Introdus de Ian Goodfellow în 2014, un GAN antrenează două rețele simultan. Generatorul inventează mostre false, cum ar fi imagini, pornind de la zgomot aleatoriu. Discriminatorul judecă dacă fiecare eșantion este real (din datele de antrenament) sau fals (din generator). Ei concurează: generatorul încearcă să păcălească discriminatorul, în timp ce discriminatorul încearcă să nu fie păcălit. Pe măsură ce ambele se îmbunătățesc, falsurile devin uimitor de realiste. GAN-urile au alimentat fețele fotorealiste din „This Person Does Not Exist”, cu StyleGAN stabilind standardul pentru portretele de înaltă rezoluție. Ele sunt notoriu dificil de antrenat, predispuse la instabilitate și „colapsul modului”, unde generatorul produce doar câteva ieșiri repetitive. De atunci, modelele de difuzie le-au depășit pentru multe sarcini de imagine, dar GAN-urile rămân rapide la generare și influente.
Perspectivă tehnică
Antrenamentul este un joc minimax între două rețele cu goluri opuse. Discriminatorul este antrenat să scoată scoruri mari pentru datele reale și scoruri scăzute pentru datele generate; generatorul este instruit să facă discriminatorul să scoată scoruri mari pentru falsurile sale. În mod esențial, generatorul nu vede niciodată imagini reale în mod direct, ci învață doar din semnalul de gradient transmis înapoi prin discriminator. La echilibrul teoretic, distribuția de ieșire a generatorului se potrivește cu datele reale, iar discriminatorul nu poate face mai bine decât să ghicească.
Impact strategic
Decizii mai clare
Vă ajută să separați afirmațiile tehnice clare de limbajul de marketing.
Cost și buget
Puteți pune întrebări de implementare mai bune înainte de a cheltui bani sau timp.
Echipa și fluxul de lucru
Echipele cu înțelegere comună iau decizii mai bune despre produse, politici și învățare.
Viitorul rețelelor generative adversare
Modelele de difuzie domină acum generarea de imagini de înaltă calitate, astfel încât GAN-urile pure și-au pierdut coroana pentru multe sarcini creative. Marginea lor este viteza: un GAN generează o imagine într-o singură trecere înainte, în timp ce difuzarea necesită mulți pași, astfel încât GAN-urile persistă în utilizări în timp real, super-rezoluție și generare pe dispozitiv. Sistemele hibride folosesc din ce în ce mai mult pierderile adverse în stil GAN pentru a accentua ieșirile de la alte modele. Așteptați-vă ca GAN-urile să trăiască mai departe ca o componentă rapidă și ușoară, mai degrabă decât ca generator de titluri.
Implementare în lumea reală
Generarea de fețe fotorealiste ale unor oameni inexistenți, ca pe ThisPersonDoesNotExist.com
Upscaling și clarificarea imaginilor cu rezoluție joasă și a videoclipurilor vechi (super-rezoluție)
Crearea de date sintetice de antrenament pentru domeniile în care datele reale sunt rare sau private
Transfer de stil și editare foto, cum ar fi transformarea schițelor în imagini realiste sau îmbătrânirea unei fețe
Riscuri și balustrade
Echipe diferite pot folosi același termen în mod diferit, așa că definiți domeniul de aplicare din timp.
Benchmark-urile pot părea puternice, în timp ce performanța în lumea reală este neuniformă.
Ignorarea calității datelor și a planurilor de evaluare generează adesea rezultate fragile.
Foaia de parcurs de implementare
Începeți cu o definiție simplă a rezultatului de care aveți nevoie.
Alegeți o măsură de succes și o condiție de eșec înainte de testare.
Rulați un pilot mic cu date reprezentative, nu un set demonstrativ bine definit.
Documente unde ajută Generative Adversarial Networks și unde metodele mai simple sunt mai bune.
Continuați să explorați
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
Următorul ghid
Rețele neuronale grafice
Întrebări frecvente
What is Generative Adversarial Networks?
Generative Adversarial Networks (GAN) creează date noi realiste punând două rețele neuronale una împotriva celeilalte într-un concurs. Au produs primul val de chipuri convingătoare generate de AI și rămân o idee de reper în AI generativă.
Care sunt cele două rețele concurente într-un GAN?
Un GAN împerechează un generator, care creează mostre false, cu un discriminator, care încearcă să distingă datele reale din falsurile generatorului.
De la ce pornește generatorul când creează o nouă mostră?
Generatorul transformă un vector de zgomot aleatoriu într-un eșantion sintetic, învățând să modeleze acel zgomot într-o ieșire realistă.
Cum se îmbunătățește generatorul în timpul antrenamentului?
Generatorul nu vede niciodată date reale în mod direct; se îmbunătățește folosind feedback-ul (gradienții) oferit de discriminator despre cât de fals arată ieșirile sale.
Ce este „strângerea modului” într-un GAN?
Colapsul modului are loc atunci când generatorul găsește câteva ieșiri care păcălesc discriminatorul și continuă să le producă, pierzând diversitatea.
Cine a introdus GAN-urile și în ce an?
Ian Goodfellow și colegii săi au introdus GAN-urile în 2014, lansând un val de cercetări asupra modelelor generative adverse.