AI 术语表 · 基础 · 生成式媒体
GAN
GAN（生成对抗网络）是一种方法，让生成假数据的生成器和分辨真假的判别器这两个神经网络相互竞争，从而逐步生成越来越逼真的图像等内容。
通俗解释 这类似于伪钞制造者和警察互相较量。警察越善于识破伪钞，伪钞制造者也就越精细，最终会出现难以与真钞区分的钞票。
工作原理
生成器（Generator）接收随机数（噪声）作为输入，生成假图像。判别器（Discriminator）交替查看真实图像和生成器生成的假图像，判断是哪一种。判别器的判断结果成为反馈：生成器朝着更好地骗过判别器的方向学习，判别器则朝着更好地识别真假的方向学习。反复进行这种竞争，生成器的产出就会越来越接近真实。
为什么重要
GAN 证明了即使不由人工逐一标注答案，也能学习数据的样貌并生成新数据。生成现实中不存在的人脸照片、转换画风、把低画质照片变清晰等技术都借助 GAN 取得了长足发展。在生成式 AI 受到关注之前，它是最早给大众留下“AI 能画画”深刻印象的技术之一。
注意事项
两个神经网络一旦失去平衡，训练就容易变得不稳定。此外，生成器经常只反复生成少数几种容易骗过判别器的结果（模式崩溃）。因此，如今图像生成的主流已变成扩散模型，但在需要快速生成的场景中，GAN 的思路仍在使用。由于可能被滥用于制作逼真的假视频（深度伪造），AI 水印等应对技术也在一同讨论。
示例
照片 App 的“清晰修复老照片”、把自拍变成漫画风格或其他年龄段的滤镜等，一直在使用 GAN 系列技术。它还被用于制作合成数据，例如在不使用真实个人信息的情况下生成用于训练的人脸图像。