生成对抗网络

生成对抗网络（英語：Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通過两个神经網路相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于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生成的人脸

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。

生成對抗網絡虽然最开始提出是為了無監督學習，但经證明對半監督學習^[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，杨立昆称生成式對抗網絡为「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

生成對抗網路可用于创建虚构时装模特的照片，无需聘请模特、摄影师、化妆师，也省下工作室和交通的開銷^[12]。 生成對抗網路可用于时尚广告活动，创建來自不同群體的模特兒，这可能会增加這些群體的人的购买意图^[13]。

科學

生成對抗網路可以改善天文图像^[14]，并模拟重力透镜以进行暗物质研究^[15][16][17]。

在2019年，生成對抗網路成功地模拟了暗物质在太空中特定方向的分布，并预测将要发生的引​​力透镜。^[18][19]

電子遊戲

在2018年，生成對抗網路进入了電子游戏改造社区。對舊的電子游戏透過图像训练，以4k或更高分辨率重新创建低分辨率2D纹理，然后对它们进行下取樣以适应游戏的原始分辨率（结果类似于抗锯齿的超级取樣方法）^[20]。通过适当的训练，生成對抗網路提供更清晰、高于原始的2D纹理图像品質，同时完全保留原始的细节、颜色。

参见

• 深度学习
• ChatGPT
• 互聯網死亡論