生成對抗網路

生成對抗網路（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] 生成對抗網路由一個生成網路與一個判別網路組成。生成網路從潛在空間（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。判別網路的輸入則為真實樣本或生成網路的輸出，其目的是將生成網路的輸出從真實樣本中盡可能分辨出來。而生成網路則要盡可能地欺騙判別網路。兩個網路相互對抗、不斷調整參數，最終目的是使判別網路無法判斷生成網路的輸出結果是否真實。^[1][2][3]

由GAN deepfake生成的人臉

生成對抗網路常用於生成以假亂真的圖片。^[4]此外，該方法還被用於影片訊框預測^[5]、三維物體模型^[6]等。

生成對抗網路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]GAIL（Generative Adversarial Imitation Learning）通過逆強化學習框架實現策略最佳化^[9]也有效。 在2016年的一個研討會上，楊立昆稱生成式對抗網路為「機器學習這二十年來最酷的想法」^[10]。

核心定義

1. 數學形式 minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))] 其中G為生成器，D為判別器^[11]
2. 潛在空間說明，潛在空間z通常服從高斯分布N(0,I)，維度需人工設定（如DCGAN中z∈R100）^[12]

現代基準資料^[13]

模型	資料集	評價指標 (FID↓)	參數量
StyleGAN2	FFHQ	2.84	30M
BigGAN-deep	ImageNet	3.45	50M
VQ-VAE-2	CelebA-HQ	5.18	13M

重要子類說明

1. Wasserstein GAN改進 使用Earth-Mover距離替代JS散度： W(pr,pg​)=infγ∈Π(pr,pg​)​E(x,y)∼γ​[∣∣x−y∣∣] 需滿足判別器Lipschitz約束^[14]
2. 漸進式訓練策略 ProGAN採用分層訓練模式，從低解析度（4×4）開始逐步加倍解析度至1024×1024^[15]

應用

生成對抗網路的應用範圍正在大幅增加。^[16][17]

時尚和廣告

生成對抗網路可用於建立虛構時裝模特的相片，無需聘請模特、攝影師、化妝師，也省下工作室和交通的開銷^[18]。 生成對抗網路可用於時尚廣告活動，建立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^[19]。

科學

生成對抗網路可以改善天文圖像^[20]，並類比重力透鏡以進行暗物質研究^[21][22][23]。

在2019年，生成對抗網路成功地類比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。^[24][25]

電子遊戲

在2018年，生成對抗網路進入了電子遊戲改造社群。對舊的電子遊戲透過圖像訓練，以4k或更高解析度重新建立低解析度2D紋理，然後對它們進行下取樣以適應遊戲的原始解析度（結果類似於抗鋸齒的超級取樣方法）^[26]。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
• 網際網路死亡論