Генеративно-состязательные сети
Генеративно-состязательные сети (GAN) создают реалистичные новые данные, сталкивая две нейронные сети друг с другом в соревновании.
Обзор
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Глубокое погружение
GAN, представленный Яном Гудфеллоу в 2014 году, обучает две сети одновременно. Генератор создает поддельные образцы, например изображения, на основе случайного шума. Дискриминатор определяет, является ли каждый образец реальным (по обучающим данным) или поддельным (по данным генератора). Они конкурируют: генератор пытается обмануть дискриминатор, а дискриминатор старается не обмануться. По мере совершенствования обоих подделки становятся поразительно реалистичными. GAN позволили создать фотореалистичные лица в фильме «Этот человек не существует», а StyleGAN установил стандарт для портретов с высоким разрешением. Их, как известно, сложно обучать, они склонны к нестабильности и «коллапсу режима», когда генератор выдает лишь несколько повторяющихся выходных сигналов. Диффузионные модели с тех пор обогнали их во многих задачах обработки изображений, но GAN остаются быстрыми в создании и влиятельными.
Техническая информация
Обучение — это минимаксная игра между двумя сетями с противоположными целями. Дискриминатор обучен выдавать высокие оценки для реальных данных и низкие оценки для сгенерированных данных; генератор обучен так, чтобы дискриминатор выдавал высокие оценки за свои подделки. Важно отметить, что генератор никогда не видит реальные изображения напрямую, он учится только на градиентном сигнале, проходящем обратно через дискриминатор. В теоретическом равновесии распределение выходных данных генератора соответствует реальным данным, и дискриминатору остается только гадать.
Стратегическое воздействие
Более четкие решения
Это поможет вам отделить четкие технические заявления от маркетингового языка.
Стоимость и бюджет
Вы можете задать более эффективные вопросы по реализации, прежде чем тратить деньги или время.
Команда и рабочий процесс
Команды с общим пониманием принимают более эффективные решения по продуктам, политике и обучению.
Будущее генеративно-состязательных сетей
Диффузионные модели сейчас доминируют в создании высококачественных изображений, поэтому чистые GAN потеряли свою корону для многих творческих задач. Их преимуществом является скорость: GAN генерирует изображение за один прямой проход, в то время как распространение требует многих шагов, поэтому GAN продолжают использоваться в режиме реального времени, со сверхразрешением и генерировать на устройстве. Гибридные системы все чаще используют состязательные потери в стиле GAN для повышения эффективности результатов других моделей. Ожидайте, что GAN останутся быстрым и легким компонентом, а не генератором заголовков.
Реальная реализация
Генерация фотореалистичных лиц несуществующих людей, как на ThisPersonDoesNotExist.com.
Масштабирование и повышение резкости изображений с низким разрешением и старого видео (суперразрешение)
Создание синтетических обучающих данных для областей, где реальных данных недостаточно или они являются конфиденциальными.
Перенос стилей и редактирование фотографий, например превращение эскизов в реалистичные изображения или состаривание лица.
Риски и ограничения
Разные команды могут использовать один и тот же термин по-разному, поэтому заранее определите масштаб.
Тесты могут выглядеть сильными, в то время как реальная производительность неравномерна.
Игнорирование качества данных и планов оценки часто приводит к нестабильным результатам.
Дорожная карта реализации
Начните с простого определения желаемого результата.
Перед тестированием выберите один показатель успеха и одно условие отказа.
Запустите небольшой пилотный проект с репрезентативными данными, а не отточенный демонстрационный набор.
Документируйте, где помогают генеративно-состязательные сети и где более простые методы лучше.
Продолжайте исследовать
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
Следующее руководство
Графовые нейронные сети
Часто задаваемые вопросы
What is Generative Adversarial Networks?
Генеративно-состязательные сети (GAN) создают реалистичные новые данные, сталкивая две нейронные сети друг с другом в соревновании. Они создали первую волну убедительных лиц, созданных ИИ, и остаются знаковой идеей в области генеративного ИИ.
Каковы две конкурирующие сети в GAN?
GAN объединяет генератор, который создает поддельные выборки, с дискриминатором, который пытается отличить настоящие данные от поддельных генератора.
С чего стартует генератор при создании нового образца?
Генератор преобразует вектор случайного шума в синтетический образец, обучаясь преобразовывать этот шум в реалистичный результат.
Как улучшается генератор во время тренировки?
Генератор никогда не видит реальные данные напрямую; он улучшается, используя обратную связь (градиенты), которую дискриминатор предоставляет о том, насколько фальшиво выглядят его выходные данные.
Что такое «коллапс режима» в GAN?
Коллапс мод происходит, когда генератор находит несколько выходных сигналов, которые обманывают дискриминатор, и продолжает выдавать их, теряя разнообразие.
Кто и в каком году представил GAN?
Ян Гудфеллоу и его коллеги представили GAN в 2014 году, положив начало волне исследований состязательных генеративных моделей.