生成對抗網絡

生成對抗網絡（英語：Generative Adversarial Network，簡稱GAN）是非監督式學習的一種方法，通過兩個神經網路相互博弈的方式進行學習。該方法由伊恩·古德費洛等人於2014年提出。^[1] 生成對抗網絡由一個生成網絡與一個判別網絡組成。生成網絡從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。而生成網絡則要盡可能地欺騙判別網絡。兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。^[2][1][3]

由GAN deepfake生成的人臉

生成對抗網絡常用於生成以假亂真的圖片。^[4]此外，該方法還被用於生成影片^[5]、三維物體模型^[6]等。

生成對抗網絡雖然最開始提出是為了無監督學習，但經證明對半監督學習^[4]、完全監督學習^[7] 、強化學習^[8]也有效。 在2016年的一個研討會上，楊立昆稱生成式對抗網絡為「機器學習這二十年來最酷的想法」^[9]。

應用

生成對抗網路的應用範圍正在大幅增加。^{[10] [11]}

時尚和廣告

生成對抗網路可用於創建虛構時裝模特的照片，無需聘請模特、攝影師、化妝師，也省下工作室和交通的開銷^[12]。 生成對抗網路可用於時尚廣告活動，創建來自不同群體的模特兒，這可能會增加這些群體的人的購買意圖^[13]。

科學

生成對抗網路可以改善天文圖像^[14]，並模擬重力透鏡以進行暗物質研究^[15][16][17]。

在2019年，生成對抗網路成功地模擬了暗物質在太空中特定方向的分布，並預測將要發生的引​​力透鏡。^[18][19]

電子遊戲

在2018年，生成對抗網路進入了電子遊戲改造社區。對舊的電子遊戲透過圖像訓練，以4k或更高分辨率重新創建低分辨率2D紋理，然後對它們進行下取樣以適應遊戲的原始分辨率（結果類似於抗鋸齒的超級取樣方法）^[20]。通過適當的訓練，生成對抗網路提供更清晰、高於原始的2D紋理圖像品質，同時完全保留原始的細節、顏色。

參見

• 深度學習
• ChatGPT
• 互聯網死亡論