生成对抗网络（GAN）

训练方式

最小极大对抗目标将两个网络耦合在一起。实用的变体改变损失函数、正则化、归一化和条件设置以稳定训练并控制输出。

推理运行方式

采样一个潜在变量，一次运行生成器，使生成速度很快。反转或编辑需要额外的机制，因为没有内置的迭代逆过程。

优势

• •快速的一次性采样
• •在具有良好范围的可视域中产生清晰的输出
• •有用的条件和图像到图像变体

权衡

• •训练不稳定和模式坍塌
• •难以评估覆盖率和似然性
• •大型开放域文本条件生成已转向其他模型簇

适用场景

• 低延迟采样对受限领域很重要
• 现有的 GAN 流程已经适应了数据并实现了控制
• 显式评估多样性和覆盖率

应避免或质疑的场景

• 稳定训练和广泛的模式覆盖是主要要求
• 团队缺乏特定领域的评估能力
• 没有对比较新的扩散或自回归基线