GAN

Sieci GAN składają się z dwóch głównych części: generatora i dyskryminatora, które są trenowane jednocześnie w procesie antagonistycznym. Generator ma za zadanie tworzyć nowe dane (np. obrazy) na podstawie losowego szumu, starając się, aby były one jak najbardziej realistyczne i nie do odróżnienia od prawdziwych danych treningowych.

Dyskryminator natomiast działa jak sędzia – otrzymuje zarówno prawdziwe dane z zestawu treningowego, jak i dane wygenerowane przez generator. Jego celem jest prawidłowe odróżnienie, które dane są prawdziwe, a które zostały sztucznie stworzone. W trakcie treningu, generator uczy się tworzyć coraz bardziej przekonujące dane, aby oszukać dyskryminator, podczas gdy dyskryminator uczy się coraz lepiej rozpoznawać fałszywe dane. Ten dynamiczny proces rywalizacji prowadzi do tego, że generator staje się zdolny do tworzenia bardzo realistycznych i wysokiej jakości danych.

GAN-y znalazły szerokie zastosowanie w generowaniu obrazów, od tworzenia fotorealistycznych twarzy, przez stylizację zdjęć, po generowanie obrazów na podstawie tekstu. Ich unikalna architektura sprawia, że są potężnym narzędziem w dziedzinie sztucznej inteligencji, zwłaszcza w zadaniach związanych z syntezą danych. W odróżnieniu od autoenkoderów wariacyjnych (VAE), które również generują dane, GAN-y często produkują obrazy o wyższej ostrości i realizmie, choć ich trening bywa trudniejszy i bardziej niestabilny.