GAN（生成对抗网络）

生成对抗网络（GAN）是 Ian Goodfellow 等人于 2014 年在蒙特利尔大学提出的生成模型框架，通过让生成器与判别器相互博弈来学习数据分布，曾是图像生成领域的主流范式。其对抗训练思想催生了 StyleGAN、CycleGAN 等大量变体，深刻影响了整个生成式 AI 的发展方向。

GAN 的本质是两个神经网络之间的极小极大博弈，训练目标是达到纳什均衡。

• 生成器（Generator）：接受随机噪声向量作为输入，输出与真实数据同分布的「伪造」样本
• 判别器（Discriminator）：接受真实样本或生成样本，输出该样本「为真」的概率
• 对抗目标：生成器最大化判别器犯错的概率，判别器最大化区分真伪的准确率，双方目标相互对立
• 理论均衡：理想状态下生成器分布完全拟合真实分布，判别器对任何样本输出概率恒为 0.5
• 训练方式：交替更新两个网络——先固定生成器更新判别器若干步，再固定判别器更新生成器

GAN 以训练不稳定著称，两大核心问题至今仍是研究热点。

• 模式崩塌（Mode Collapse）：生成器只学会生成有限几种模式的样本，无法覆盖真实数据的完整多样性
• 训练不稳定：生成器与判别器能力须保持动态平衡，任意一方过强或过弱都会导致训练崩溃
• 梯度消失：当判别器能力远强于生成器时，生成器几乎得不到有效梯度信号
• 超参数敏感：学习率、批大小、网络结构的微小差异都可能导致迥异的训练结果
• 评估困难：生成质量缺乏统一可靠的量化指标，FID 分数是目前最常用的替代指标

研究者通过改进损失函数、网络结构和训练策略，衍生出大量影响力显著的变体。

• DCGAN（2015）：将全连接层替换为深度卷积网络，大幅提升图像生成质量和训练稳定性，奠定后续图像 GAN 的标准骨架
• WGAN / WGAN-GP（2017）：用 Wasserstein 距离替代 JS 散度作为损失，从理论层面缓解梯度消失和模式崩塌
• 条件 GAN（cGAN）：在生成器和判别器中引入类别标签等条件信息，实现可控生成
• CycleGAN（2017）：引入「循环一致性损失」，无需配对数据即可完成跨域图像风格迁移（如马↔斑马）
• StyleGAN / StyleGAN2（2019/2020，NVIDIA）：通过风格映射网络与自适应实例归一化实现对生成图像属性的分层精细控制，曾代表图像生成的最高水平
• BigGAN（2018，DeepMind）：超大批次训练的类别条件 GAN，在 ImageNet 上实现当时最优图像质量

GAN 从提出到繁荣再到被部分取代，历经约十年演进。

• 2014：Goodfellow 等人在 NIPS 发表原始 GAN 论文，在 MNIST 上首次演示对抗生成框架
• 2015：DCGAN 将卷积网络引入 GAN，首次实现较高质量自然图像生成
• 2017：WGAN 改善训练稳定性；CycleGAN、Pix2Pix 使图像翻译走向实用；Progressive GAN 引入渐进式分辨率提升
• 2018：BigGAN 展示大规模 GAN 在 ImageNet 级别数据集上的出色表现
• 2019：StyleGAN（NVIDIA）发布，生成人脸图像质量达到以假乱真水平
• 2020：StyleGAN2 修复水滴伪影；DDPM 重新引发扩散模型关注，开始挑战 GAN 地位
• 2022 年后：扩散模型（如 Stable Diffusion）凭借更稳定的训练和更好的多样性逐步在高分辨率图像生成中超越 GAN，GAN 在实时推理等场景中仍保有优势

GAN 的对抗训练思想在多个领域催生了实用技术。

• 图像超分辨率：SRGAN、Real-ESRGAN 利用判别器损失恢复图像细节，效果优于纯均方误差方法
• 图像翻译与风格迁移：CycleGAN 实现跨域转换，Pix2Pix 支持草图→照片等配对任务
• 数据增强：在医学影像、自动驾驶等小样本场景，用 GAN 生成合成训练数据以降低标注成本
• 人脸合成与数字人：StyleGAN 生成的虚拟人脸广泛用于游戏角色、数字人制作
• 深度伪造（Deepfake）：面部替换与表情迁移，同时引发了内容真实性与伦理方面的广泛争议

扩散模型的崛起并未完全取代 GAN，两者各有适用场景。

• 生成速度：GAN 为单次前向推理，速度极快；扩散模型需多步去噪迭代，推理延迟更高
• 训练稳定性：扩散模型训练更稳定，无模式崩塌问题；GAN 训练调试成本高
• 多样性与质量：扩散模型在高分辨率图像多样性和文本条件控制上普遍优于 GAN
• 实时场景：GAN 在需要低延迟实时生成的应用（如实时视频滤镜、游戏）中仍有明显优势
• 融合趋势：部分模型尝试用扩散模型蒸馏或与 GAN 结合，兼顾质量与推理速度