GAN（Generative Adversarial Networks，生成對抗網路）

原理

• 生成器：學習真實數據分佈，基於隨機雜訊輸入產生接近真實的數據樣本
• 鑑別器：區分真實數據與生成數據，給出真實度判斷
• 訓練過程中生成器不斷生成數據「欺騙」鑑別器，鑑別器努力提高辨真偽能力，透過動態對抗過程使生成器逐漸學會生成高品質數據

應用場景

• 圖像生成與修復：StyleGAN 生成真實感人臉、圖像修復補全缺損部分
• 風格遷移：照片轉油畫/動漫風格
• 醫療影像生成：生成稀缺病理影像，緩解數據不平衡問題
• 虛擬場景模擬：遊戲環境、VR 場景構建

訓練挑戰與改進

• 常見問題：模式崩潰（Mode Collapse）、梯度消失
• 改進方案：Wasserstein GAN（WGAN） 透過改進損失函數提升訓練穩定性；亦可引入自適應優化技術

技術演進與趨勢（CH3.2 補充）

• 引領了高品質圖像生成的潮流，能生成多樣化且真實感強的圖像，是生成式AI技術突破的核心之一。
• 近年發展趨勢：GAN 與擴散模型（Diffusion Model）融合技術，顯著提升生成式AI的品質與精度，使生成內容更為真實、細緻。
• 章末考題常考「生成式AI的基礎技術」，答案為 GAN（相對於決策樹、聚類演算法、隨機森林等傳統機器學習技術的干擾選項）。

易混淆

• vs VAE：GAN 的兩個核心組件是「生成器與鑑別器」，VAE 的兩個核心組件是「編碼器與解碼器」——考題常互相對調當陷阱選項。
• vs 擴散模型（Diffusion Model）：兩者常搭配融合使用以提升圖像生成真實感與精度，非互斥關係。

📖 課文原文

「生成對抗網路（Generative Adversarial Networks, GAN）是生成式 AI 中最具代表性的模型之一，由生成器（Generator）和鑑別器（Discriminator）兩個神經網路組成，透過彼此之間的對抗學習來生成高品質的新數據。」 「生成對抗網路（GAN）：引領了高品質圖像生成的潮流，並能夠生成多樣化且真實感強的圖像。」

技術演進脈絡中的定位（中級科目一補充）

2014 年 Ian Goodfellow 提出 GAN，標誌生成式 AI 技術演進「GAN 時代」（2014–2020）的開端，代表模型：DCGAN（深度卷積 GAN）、CycleGAN（風格轉換）、StyleGAN（高品質人臉生成）。此階段後由 Transformer 崛起（2017 起）與擴散模型（2020 起）接續發展。

出處