👩🎨👗
「我要一件未來感、自然又好看的服裝！」
AI 要根據條件產生新的設計草圖。
生成對抗網路 vs 擴散模型｜都是生成圖片，但「生成的方法」不一樣！
AI 要根據條件產生新的設計草圖。
生成器畫圖，判別器負責挑毛病。
從隨機雜訊逐步去噪，最後形成影像。
負責產生假的／新的資料。
負責區分真實資料與生成資料。
生成器努力騙過判別器；判別器努力抓出假資料。
→ 雙方互相競爭學習。
想像一張清楚的衣服圖片，逐漸加入雜訊。
模型學習如何從帶雜訊的資料逐步還原。
從隨機雜訊開始，反覆進行去噪。
→ 最後生成新的服裝影像。
| 比較 | ⚔️ GAN | 🌫️ Diffusion |
|---|---|---|
| 核心概念 | 生成器與判別器對抗 | 逐步加／學習去除雜訊，生成影像 |
| 漫畫 | 🤖⚔️🕵️「你騙不了我！」 | 🌫️➡️✨「一步一步把雜訊擦掉！」 |
| 關鍵字 | Generator、Discriminator、Adversarial | Noise、Denoising、逐步生成 |
| 本題強調 | 不是最直接的關鍵 | ✅ 生成品質、細節、穩定性與多樣性控制 |
需要產生高品質、細節豐富的服裝草圖。
希望生成結果具有穩定且自然的細節。
同一個設計條件下，希望可以自然產生不同風格。
題目特別重視生成結果的穩定性與多樣性控制能力。
看到「兩個模型互相對抗」最重要。
看到「從雜訊逐步還原」最重要。
看到 Generator＋Discriminator → ⚔️ GAN
看到 Noise＋Denoising＋逐步生成 → 🌫️ Diffusion
⭐ 不要看到「生成圖片」就自動選 GAN，要看題目描述的生成機制與需求。
A. SVM
B. GAN
C. Decision Tree
D. Diffusion Model
| 看到 | 想到 |
|---|---|
| Generator＋Discriminator | ⚔️ GAN |
| 真假判斷／對抗訓練 | ⚔️ GAN |
| Noise／Denoising | 🌫️ Diffusion |
| 逐步去噪生成 | 🌫️ Diffusion |
| 高品質影像生成、多樣性控制 | 🌫️ 本題選 Diffusion |
| SVM／Decision Tree | ❌ 不是本題生成式影像技術 |
⭐ GAN：生成器跟判別器打架！
Diffusion：從雜訊一步一步「擦」出圖片！
GAN（生成對抗網路）靠 Generator（生成器）與 Discriminator（判別器）互相對抗訓練，生成器努力產生以假亂真的資料，判別器努力辨識真偽；Diffusion Model（擴散模型）則是從隨機雜訊開始，透過學會的去噪過程逐步還原，最後生成新的影像。
不一定，這是常見的考試陷阱。圖片生成不等於只能用 GAN，要看題目描述的生成機制與需求：如果強調生成器與判別器互相對抗、真假判斷，才對應 GAN；如果強調從雜訊逐步去噪、生成品質與細節穩定，通常更符合 Diffusion Model。
Generator（生成器）負責產生假的、新的資料，目標是騙過判別器；Discriminator（判別器）負責分辨資料是真實的還是生成器產生的，兩者透過互相競爭學習，最終讓生成器產生的內容越來越逼真。
先想像一張清楚的圖片逐漸被加入雜訊，直到幾乎只剩雜訊；接著模型學習如何一步一步把雜訊移除（去噪），最後從一個全新的隨機雜訊開始，反覆去噪就能生成新的圖片。
應該優先想到 Diffusion Model。這類關鍵字對應的是高視覺品質、細節穩定與多樣性控制的生成需求，這正是本教材強調 Diffusion Model 在題目選項設計下更適合的核心原因。