Генеративні змагальні мережі
Генеративні суперницькі мережі (GAN) створюють реалістичні нові дані, протиставляючи дві нейронні мережі одна одній у змаганні.
Огляд
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Глибоке занурення
GAN, представлений Яном Гудфеллоу в 2014 році, навчає дві мережі одночасно. Генератор винаходить підроблені зразки, наприклад зображення, починаючи з випадкового шуму. Дискримінатор визначає, чи є кожен зразок справжнім (з навчальних даних) чи підробкою (з генератора). Вони змагаються: генератор намагається обдурити дискримінатор, а дискримінатор намагається не бути обдуреним. У міру вдосконалення обох підробок стає вражаюче реалістичним. GAN створили фотореалістичні обличчя на «Цієї людини не існує», а StyleGAN встановив стандарт для портретів із високою роздільною здатністю. Відомо, що їх складно навчати, вони схильні до нестабільності та «колапсу режиму», коли генератор видає лише кілька повторюваних виходів. З тих пір дифузійні моделі випередили їх для багатьох завдань із зображеннями, але GAN залишаються швидкими у створенні та впливовими.
Технічне розуміння
Тренування — мінімаксна гра між двома мережами з протилежними цілями. Дискримінатор навчений виводити високі бали для реальних даних і низькі бали для згенерованих даних; генератор навчений змушувати дискримінатор виводити високі бали для своїх підробок. Важливо те, що генератор ніколи не бачить реальні зображення безпосередньо, він вивчає лише градієнтний сигнал, що проходить назад через дискримінатор. У теоретичній рівновазі вихідний розподіл генератора збігається з реальними даними, і дискримінатор може зробити не краще, ніж вгадування.
Стратегічний вплив
Чіткіші рішення
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
Вартість і бюджет
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
Команда та робочий процес
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Майбутнє генеративних змагальних мереж
Дифузійні моделі зараз домінують у створенні високоякісних зображень, тому чисті GAN втратили свою корону для багатьох творчих завдань. Їх перевагою є швидкість: GAN генерує зображення за один прохід вперед, тоді як розповсюдження потребує багатьох кроків, тому GAN зберігаються в режимі реального часу, надвисокій роздільній здатності та створенні на пристрої. Гібридні системи все частіше використовують змагальні втрати в стилі GAN, щоб покращити вихідні дані інших моделей. Очікуйте, що GAN продовжуватимуть жити як швидкий, легкий компонент, а не як генератор заголовків.
Реалізація в реальному світі
Створення фотореалістичних облич неіснуючих людей, як на ThisPersonDoesNotExist.com
Масштабування та різкість зображень із низькою роздільною здатністю та старого відео (суперроздільна здатність)
Створення синтетичних навчальних даних для сфер, де реальні дані є дефіцитними або закритими
Передача стилю та редагування фотографій, як-от перетворення ескізів на реалістичні зображення або старіння обличчя
Ризики та огорожі
Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Дорожня карта впровадження
Почніть із простого визначення необхідного результату.
Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
Задокументуйте, де Generative Adversarial Networks допомагає, а де простіші методи кращі.
Продовжуйте досліджувати
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
Наступний посібник
Графічні нейронні мережі
Часті запитання
What is Generative Adversarial Networks?
Генеративні суперницькі мережі (GAN) створюють реалістичні нові дані, протиставляючи дві нейронні мережі одна одній у змаганні. Вони створили першу хвилю переконливих облич, створених штучним інтелектом, і залишаються знаковою ідеєю генеративного штучного інтелекту.
Що таке дві конкуруючі мережі в GAN?
GAN поєднує генератор, який створює підроблені зразки, з дискримінатором, який намагається відрізнити справжні дані від підробок генератора.
З чого починається генератор при створенні нового зразка?
Генератор перетворює вектор випадкового шуму в синтетичний зразок, навчаючись формувати цей шум у реалістичний результат.
Як генератор вдосконалюється під час навчання?
Генератор ніколи не бачить реальні дані безпосередньо; він покращує використання зворотного зв’язку (градієнтів), який надає дискримінатор про те, наскільки фальшивими виглядають його результати.
Що таке «згортання режиму» в GAN?
Згортання режиму відбувається, коли генератор знаходить кілька вихідних сигналів, які обдурюють дискримінатор, і продовжує виробляти їх, втрачаючи різноманітність.
Хто запровадив ГАН і в якому році?
Ян Гудфеллоу та його колеги представили GAN у 2014 році, започаткувавши хвилю досліджень змагальних генеративних моделей.