生成对抗网络
生成对抗网络 (GAN) 通过让两个神经网络在竞争中相互竞争来创建真实的新数据。
概述
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
深入探讨
GAN 由 Ian Goodfellow 于 2014 年提出，可以同时训练两个网络。生成器从随机噪声开始发明假样本，例如图像。判别器判断每个样本是真实的（来自训练数据）还是假的（来自生成器）。他们竞争：生成器试图愚弄鉴别器，而鉴别器则试图不被愚弄。随着两者的改进，赝品变得惊人的真实。 GAN 为《此人不存在》中的逼真面孔提供了动力，StyleGAN 为高分辨率肖像设定了标准。众所周知，它们的训练非常棘手，容易出现不稳定和“模式崩溃”，即生成器仅产生少量重复输出。此后，扩散模型在许多图像任务中已经超越了它们，但 GAN 的生成速度仍然很快且具有影响力。
技术洞察
训练是两个目标相反的网络之间的极小极大游戏。判别器经过训练，输出真实数据的高分和生成数据的低分；生成器经过训练，可以使鉴别器为其假货输出高分。至关重要的是，生成器永远不会直接看到真实图像，它仅从通过鉴别器传回的梯度信号中学习。在理论平衡状态下，生成器的输出分布与真实数据相匹配，并且鉴别器只能进行猜测。
战略影响
更清晰的判决
它可以帮助您将清晰的技术声明与营销语言分开。
成本与预算
在花费金钱或时间之前，您可以提出更好的实施问题。
团队与工作流程
具有共同理解的团队可以做出更好的产品、政策和学习决策。
生成对抗网络的未来
扩散模型现在在高质量图像生成中占据主导地位，因此纯 GAN 已经失去了许多创造性任务的王冠。它们的优势在于速度：GAN 在一次前向传递中生成图像，而扩散需要许多步骤，因此 GAN 坚持实时使用、超分辨率和设备上生成。混合系统越来越多地使用 GAN 式的对抗性损失来锐化其他模型的输出。预计 GAN 将作为一种快速、轻量级的组件而不是标题生成器继续存在。
现实世界的实施
生成不存在的人的真实面孔，例如 ThisPersonDoesNotExist.com
放大和锐化低分辨率图像和旧视频（超分辨率）
为真实数据稀缺或私有的领域创建合成训练数据
风格转换和照片编辑，例如将草图变成逼真的图像或使脸部老化
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
在测试之前选择一种成功指标和一种失败条件。
使用代表性数据运行小型试点，而不是完善的演示集。
记录生成对抗网络在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
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
常见问题
What is Generative Adversarial Networks?
生成对抗网络 (GAN) 通过让两个神经网络在竞争中相互竞争来创建真实的新数据。他们创造了第一波令人信服的人工智能生成面孔，并且仍然是生成人工智能领域的一个里程碑式的想法。
GAN 中的两个竞争网络是什么？
GAN 将生成器（生成假样本）与鉴别器配对，鉴别器试图区分生成器的假数据和真实数据。
生成器在创建新样本时从什么开始？
生成器将随机噪声向量转换为合成样本，学习将噪声塑造成真实的输出。
生成器在训练过程中如何改进？
生成器永远不会直接看到真实数据；它使用鉴别器提供的关于其输出看起来有多假的反馈（梯度）进行改进。
什么是 GAN 中的“模式崩溃”？
当生成器发现一些可以欺骗鉴别器的输出并继续生成它们，从而失去多样性时，就会发生模式崩溃。
谁在哪一年引入了 GAN？
Ian Goodfellow 及其同事于 2014 年推出了 GAN，掀起了对抗性生成模型的研究热潮。