Generative Adversarial Networks (GANs)

So wird trainiert

Ein minimax-adversarielles Ziel koppelt zwei Netzwerke. Praktische Varianten ändern Verluste, Regularisierung, Normalisierung und Konditionierung, um das Training zu stabilisieren und die Ausgaben zu steuern.

So läuft die Inferenz

Einen latenten Vektor ziehen und den Generator einmal ausführen, was eine schnelle Generierung ermöglicht. Inversion oder Bearbeitung erfordern zusätzliche Komponenten, da kein integrierter iterativer Umkehrprozess vorhanden ist.

Stärken

• •Schnelles Sampling in einem Durchlauf
• •Scharfe Ausgaben in gut definierten visuellen Bereichen
• •Nützliche bedingte und Bild-zu-Bild-Varianten

Zielkonflikte

• •Trainingsinstabilität und Moduskollaps
• •Coverage und Wahrscheinlichkeit sind schwer zu beurteilen
• •Große Textgenerierung, die von großen Sprachmodellen gesteuert wird, hat sich anderen Architekturen zugewandt

Geeignet, wenn

• Latenzarmes Sampling ist in einer eingeschränkten Domäne wichtig
• Eine bewährte GAN-Pipeline passt bereits zu den Daten und steuert diese
• Diversität und Abdeckung werden explizit evaluiert

Vermeiden oder hinterfragen, wenn

• Stabiles Training und breite Modusabdeckung sind primäre Anforderungen
• Das Team verfügt nicht über domänenspezifische Evaluationsmethoden
• Ein neueres Diffusions- oder autoregressives Basismodell wird nicht verglichen