【AI词典】GAN生成对抗网络 - 通过对抗训练生成数据的深度学习模型

GAN生成对抗网络：定义

生成对抗网络（Generative Adversarial Network，简称GAN）是一种通过让两个神经网络——生成器与判别器——在对抗性博弈中相互竞争与学习，从而生成逼真新数据的深度学习框架。

GAN生成对抗网络的工作原理

可以将GAN的训练过程想象成一场“货币防伪专家与造假者”之间的持续较量。系统包含两个核心角色：

生成器：扮演“造假者”的角色。它的输入是一个随机噪声向量，目标是输出一张足以“以假乱真”的数据（如图片）。初始阶段，它生成的数据质量很差。

判别器：扮演“防伪专家”的角色。它的任务是判断输入的数据是来自真实数据集，还是来自生成器伪造的。它会输出一个概率值，表示数据为真的可能性。

训练开始时，生成器生成粗糙的假数据，很容易被判别器识破。但根据判别器提供的“哪里做得不好”的反馈（梯度），生成器会不断改进其造假技术。同时，判别器也在接触越来越多的真假样本中提升自己的鉴别能力。两者在动态博弈中共同进化，直到生成器能生产出判别器难以区分（即概率接近50%）的高质量数据，此时系统达到一种平衡。

GAN生成对抗网络的应用场景

• 图像生成与编辑：创建不存在的人脸、动物或风景艺术图；实现“图像到图像翻译”，如将白昼照片转换为夜景、将草图变为彩色照片，或为黑白老照片上色与修复。
• 数据增强与合成：在医疗、工业等领域，当真实标注数据稀缺时，GAN可以生成高质量的合成数据（如医学影像），用于扩充训练集，提升后续诊断模型的鲁棒性。
• 创意与娱乐产业：生成独特的游戏场景、角色纹理或动画帧；驱动虚拟试衣、发型更换等互动体验；辅助进行艺术风格迁移和音乐创作。

相关术语

理解GAN生成对抗网络，可关联以下概念：深度学习、卷积神经网络、变分自编码器、扩散模型、损失函数。

延伸阅读

若想深入了解GAN生成对抗网络，建议从Ian Goodfellow等人于2014年发表的原始论文《Generative Adversarial Nets》开始。此外，可以关注其重要变体，如DCGAN（深度卷积GAN）、CycleGAN（用于无配对图像转换）以及StyleGAN（在生成人脸细节上表现卓越），这些模型针对原始GAN的训练稳定性、控制生成属性等方面做出了关键改进。