Einfach erklärt – Generative Adversarial Networks (GANs)
GANs sind zwei KI‑Netze, die gegeneinander spielen, um realistische Daten zu erzeugen (z. B. Bilder).
- Das Generator‑Netz versucht, falsche, aber echt aussehende Beispiele zu produzieren (z. B. ein Gesicht).
- Das Discriminator‑Netz versucht, echt vs. künstlich zu unterscheiden.
Während des Trainings werden beide besser: Der Generator lernt, täuschend echte Daten zu erzeugen; der Discriminator lernt, falsche zu entlarven.
Beispiele:
- Fotorealistische Gesichter/Objekte erzeugen (z. B. Mode‑Fotos, Produktbilder).
- Stil‑Transfer/Übersetzung (z. B. Sommer↔Winter, Tag↔Nacht, Skizze→Foto mit CycleGAN‑artigen Verfahren).
- Daten‑Augmentation (z. B. zusätzliche, realistische Trainingsbeispiele).
Wichtig: GANs können instabil trainieren (Mode Collapse etc.) und brauchen viel Daten & Feintuning.
Professionelle Definition
Ein Generative Adversarial Network (GAN) (Goodfellow et al., 2014) ist ein Minimax‑Spiel zwischen Generator G und Discriminator D. Der Generator parametrisiert p_g(x) und versucht, die Verteilung der echten Daten p_data(x) zu approximierren, während der Discriminator die Posterior‑Wahrscheinlichkeit schätzt, dass eine Probe echt ist. Das Trainingsziel ist:
Varianten adressieren Trainingsstabilität und Qualität (u. a. DCGAN, WGAN/WGAN‑GP mit Earth‑Mover/Wasserstein‑Distanz, LSGAN, StyleGAN/2/3). Anwendungen: Bildsynthese, Bild‑zu‑Bild‑Übersetzung, Super‑Resolution, Inpainting, Audio/Video‑Generierung. Evaluationsmetriken umfassen FID, IS u. a.
Quellen
- Original‑Paper (2014) – Goodfellow et al.: Generative Adversarial Nets (NeurIPS)
https://arxiv.org/abs/1406.2661 - Wikipedia (de) – Generative Adversarial Networks (Überblick, Varianten)
https://de.wikipedia.org/wiki/Generative_Adversarial_Networks - NIPS 2016 Tutorial – Ian Goodfellow: NIPS 2016 Tutorial: Generative Adversarial Networks
https://arxiv.org/abs/1701.00160 - DCGAN (2015) – Unsupervised Representation Learning with Deep Convolutional GANs
https://arxiv.org/abs/1511.06434 - WGAN (2017) – Wasserstein GAN
https://arxiv.org/abs/1701.07875 - StyleGAN (2019) – A Style‑Based Generator Architecture for Generative Adversarial Networks
https://arxiv.org/abs/1812.04948