中文名稱：生成對抗網路 英文名稱：Generative Adversarial Networks
📌 定義（Definition）
生成對抗網路（GAN）是深度學習中用於生成數據的強大模型，是生成式 AI 中最具代表性的模型之一，由兩個網路組成：生成器（Generator）和判別器（Discriminator），並透過對抗學習共同進步。
⭐原理與技術
工作原理
- 生成器（Generator）：學習真實數據分佈，並接收隨機雜訊作為輸入，生成模擬的數據樣本。
- 判別器（Discriminator）：負責區分輸入數據是真實的還是生成的。
- 生成器的目標是「欺騙」判別器，使其無法區分數據來源；而判別器則試圖最大化其判斷準確性。這種對抗學習的過程促使生成器逐漸生成更逼真的數據。
優點
- 能夠生成高品質的數據樣本，適用於影像、文本、語音等多領域。
- 在數據增強和模擬中有極大的應用潛力。
缺點：
- 訓練過程不穩定，可能出現模式崩潰（Mode Collapse）。
- 需要大量計算資源，對網路結構設計要求高。
🔗 應用領域
- 圖像生成與修復：在圖像生成領域有著廣泛應用。例如，StyleGAN 能夠生成極具真實感的人臉圖像，而圖像修復技術則可以補全缺損的圖像部分。
- 風格遷移：可以將圖像轉換為不同風格，如將照片轉換為油畫風格或動漫風格，實現跨領域的視覺轉換。
- 文本生成：如虛擬對話內容的創建。
- 語音合成：如生成逼真的語音樣本。
- 醫療影像生成：在醫療領域，被用來生成稀缺的病理影像樣本，幫助解決數據不平衡問題，從而提高疾病診斷模型的泛化能力。
- 虛擬場景模擬：可用於創建虛擬場景，如遊戲中的環境模擬、虛擬現 實（VR）場景構建等，增強沉浸式體驗。