GAN (生成对抗网络)

GAN (Generative Adversarial Network) 是 Goodfellow 等人于 2014 年提出的生成框架。它让生成器与判别器相互对抗，通过竞争驱动双方改进，直到生成的图像与真实数据无法区分。

训练机制：

• 生成器 (G)：接收随机噪声 z 并生成合成图像，目标是欺骗判别器
• 判别器 (D)：二分类器，判断图像是真实的还是生成的
• 极小极大博弈：G 最大化 D 的错误率，D 最大化准确率，驱动双方改进
• 纳什均衡：理想情况下收敛到 D 对所有输入输出 0.5

里程碑架构：

• DCGAN (2015)：首个使用卷积层的实用 GAN
• Pix2Pix (2016)：用于配对图像转换的条件 GAN
• CycleGAN (2017)：无需配对数据的非配对风格迁移
• StyleGAN (2018)：基于风格的高分辨率人脸生成器
• StyleGAN3 (2021)：消除混叠实现自然合成

应用包括超分辨率 (SRGAN, ESRGAN)、图像修复和数据增强。训练不稳定性（模式崩溃、梯度消失）通过 Wasserstein 距离和谱归一化解决。扩散模型现在在质量上领先，但 GAN 在实时应用中保持速度优势。