<p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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</span></p><div class="carousel-prerender" style="min-height:741.2847222222223px" data-images="[{&quot;file&quot;:{},&quot;index&quot;:3,&quot;_id&quot;:&quot;65ed3e55fd89780001dbfbd3&quot;,&quot;relPath&quot;:&quot;cfc650f4-96e4-4c4e-a369-607f0da788bd.jpg&quot;,&quot;width&quot;:1152,&quot;height&quot;:1154,&quot;createdAt&quot;:&quot;2024-03-10T13:00:05.374620008+08:00&quot;,&quot;updatedAt&quot;:&quot;2024-03-10T13:00:05.374620071+08:00&quot;},{&quot;file&quot;:{},&quot;index&quot;:0,&quot;_id&quot;:&quot;65ed3e53fd89780001dbfbb4&quot;,&quot;relPath&quot;:&quot;4eeb429f-1f05-4269-945e-9abc174fa1e0.png&quot;,&quot;width&quot;:1024,&quot;height&quot;:1024,&quot;createdAt&quot;:&quot;2024-03-10T13:00:03.941803808+08:00&quot;,&quot;updatedAt&quot;:&quot;2024-03-10T13:00:03.941803881+08:00&quot;},{&quot;file&quot;:{},&quot;index&quot;:1,&quot;_id&quot;:&quot;65ed3e54fd89780001dbfbca&quot;,&quot;relPath&quot;:&quot;d183aa7a-2b33-4695-9bec-cecf78f847d2.png&quot;,&quot;width&quot;:1024,&quot;height&quot;:1024,&quot;createdAt&quot;:&quot;2024-03-10T13:00:04.632019342+08:00&quot;,&quot;updatedAt&quot;:&quot;2024-03-10T13:00:04.632019466+08:00&quot;},{&quot;file&quot;:{},&quot;index&quot;:2,&quot;_id&quot;:&quot;65ed3e55fd89780001dbfbcb&quot;,&quot;relPath&quot;:&quot;6709512a-2a65-4b65-9e30-39ac7576a841.jpg&quot;,&quot;width&quot;:1152,&quot;height&quot;:1154,&quot;createdAt&quot;:&quot;2024-03-10T13:00:05.007292172+08:00&quot;,&quot;updatedAt&quot;:&quot;2024-03-10T13:00:05.007292262+08:00&quot;}]" data-caption="生成人像" data-captionurl=""></div><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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</span></p><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">https://thispersondoesnotexist.com/</span></p><h2 class="lexical__h2" dir="ltr"><span style="white-space: pre-wrap;">GAN簡介</span></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><h2 class="lexical__h2" dir="ltr"><span style="white-space: pre-wrap;">原理</span></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><h2 class="lexical__h2" dir="ltr"><span style="white-space: pre-wrap;">邏輯方面的工作原理</span></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><h2 class="lexical__h2" dir="ltr"><span style="white-space: pre-wrap;">技術細節</span></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><h2 class="lexical__h2" dir="ltr"><b><strong class="lexical__textBold" style="white-space: pre-wrap;">應用</strong></b></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><h2 class="lexical__h2" dir="ltr"><b><strong class="lexical__textBold" style="white-space: pre-wrap;">結論</strong></b></h2><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><p class="lexical__paragraph" dir="ltr"><span style="white-space: pre-wrap;">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。</span></p><div class="lexical__image float"><div class="lexical__imageWrapper"><img src="https://resize-image.vocus.cc/resize?compression=6&amp;norotation=true&amp;url=https%3A%2F%2Fimages.vocus.cc%2F48f23719-b677-4a25-bf88-0dc85cdb3ab8.png&amp;width=740&amp;sign=29VqJgZgsIl1KdvmJRlOhjSNgFA5vDx6MXV4_KhMjYo" fetchpriority="high" data-src="https://resize-image.vocus.cc/resize?compression=6&amp;norotation=true&amp;url=https%3A%2F%2Fimages.vocus.cc%2F48f23719-b677-4a25-bf88-0dc85cdb3ab8.png&amp;width=740&amp;sign=29VqJgZgsIl1KdvmJRlOhjSNgFA5vDx6MXV4_KhMjYo" data-loaded="true" data-original-src="https://images.vocus.cc/48f23719-b677-4a25-bf88-0dc85cdb3ab8.png" data-lowquality="false" data-width="1090" data-height="306" data-retry="0" onerror="Number(this.dataset.retry) > 4 ? this.src='/static/default-error-img.svg': (() => {this.src=this.dataset.originalSrc; this.dataset.retry = Number(this.dataset.retry)+1;})()" data-istopthreeimage="true" alt="支持這個創作"></div><div class="captionTheme__wrapper"><a class="captionTheme__link" href="https://www.buymeacoffee.com/lemon_ani_labs" target="_blank" rel="noreferrer noopener">支持這個創作</a></div></div><p class="lexical__paragraph"><br></p><p class="lexical__paragraph"><br></p><p class="lexical__paragraph" dir="ltr"><br></p>

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

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。

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。

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。

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。

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。

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。

GAN：生成逼真假照片的秘密武器

寫作與AI相關的科普知識與相關技能，讓讀者們能快速地掌握科技新知並且運用在個人生活和工作領域，與AI合作創造價值
science knowledge / AI/ personal life and work and create value with AI.

Raphael AI 科學家