現AI時代我們常見的生成影像是如何製作出來的，或許你已經開始熟悉AI“假臉”的風格。但由于現在網路上大量流傳的多數是以DALL-E或是Stable Diffiusion+幾個特定的LoRA所生成的結果。以至於人們越來越有識別真假照片的能力。但或許你不知道的是，早在幾年前純粹用GAN生成技術所產出的人像照片就以令人難以分辨了

上面幾張圖中你分得出真假照片嗎？ 熟悉AI的你或許可以很輕易的看出其中兩張生成圖。而另外兩張則是來自於“this person doesnot exit”網站，也是生成照片

https://thispersondoesnotexist.com/

GAN簡介

生成對抗網路（GAN）是一種生成模型，由兩個神經網路組成：生成器和鑑別器。生成器的作用是生成假照片，而鑑別器的作用是判斷照片是真是假。

原理

GAN 的工作原理類似於一場零和博弈。生成器和鑑別器相互對抗，不斷提升自己的能力。 * 生成器嘗試生成越來越逼真的假照片，以欺騙鑑別器。 * 鑑別器嘗試提高識別假照片的能力，以不被生成器欺騙。 隨著訓練的進行，生成器生成的假照片會越來越逼真，鑑別器識別假照片的能力也會越來越強。最終，生成器能夠生成與真實照片難以區分的假照片。

邏輯方面的工作原理

GAN 的邏輯方面的工作原理可以用以下步驟概括： 1. 輸入一批真實照片。 2. 生成器生成一批假照片。 3. 鑑別器判斷照片是真是假。 4. 根據鑑別器的判斷，更新生成器和鑑別器的參數。 5. 重複步驟 2 到 4，直到生成器能夠生成與真實照片難以區分的假照片。 GAN 的工作原理可以類比為畫家和鑒賞家之間的對抗。 * 畫家嘗試繪製越來越逼真的畫作，以欺騙鑒賞家。 * 鑒賞家嘗試提高鑒別畫作真偽的能力，以不被畫家欺騙。 隨著時間的推移，畫家的畫作會越來越逼真，鑒賞家的鑒別能力也會越來越強。最終，畫家能夠繪製出與真跡難以區分的畫作。

技術細節

GAN 的技術細節涉及到神經網路的架構和訓練方法。 * 生成器和鑑別器可以採用不同的神經網路架構，例如卷積神經網路（CNN）或遞歸神經網路（RNN）。 * GAN 的訓練方法可以採用不同的損失函數，例如交叉熵損失或 Wasserstein 損失。

應用

GAN 具有廣泛的應用前景，例如： * 圖像生成：GAN 可以用於生成逼真的圖像，例如人臉、風景、物體等。 * 圖像編輯：GAN 可以用於編輯圖像，例如修復舊照片、更換背景等。 * 圖像翻譯：GAN 可以用於將圖像從一種風格轉換為另一種風格，例如將卡通人物轉換為真人照片。

結論

GAN 是一種強大的生成模型，能夠生成與真實照片難以區分的假照片。GAN 具有廣泛的應用前景，在圖像生成、圖像編輯、圖像翻譯等領域具有很大的潛力。

DALL-E與SD的圖片生成都是運用了LLM加上GAN所產生的，然而將LLM運用在此目的是使得GAN的產出較為可控。

支持這個創作