GAN
生成对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型架构，由生成器（Generator）和判别器（Discriminator）两个神经网络组成，通过对抗博弈的方式协同训练。生成器负责生成以假乱真的数据样本，判别器负责区分真实数据与生成数据，两者相互博弈直至达到平衡。GAN广泛应用于图像生成、风格迁移、数据增强等领域。
Core Facts
Timeline (last 90 days)
合成数据生成借助GAN或扩散模型制造逼真的医学影像来扩充训练集
ESRGAN 引入生成对抗网络，通过对抗训练让放大结果在感知上更锐利
归一化流与VAE（需要变分下界近似）和GAN（无法计算似然）形成对比
GAN等生成模型本质上是极小极大问题，可以自然地建模为变分不等式
GAN 和扩散模型有不同生成机制，会在面部边缘、头发纹理、背景虚化等区域产生可被分类模型学习的模型指纹
GAN或扩散模型能凭空创造从未存在过的人脸照片，并批量生成配套图像
GAN 的核心思想是让生成器与判别器相互博弈，训练目标本质上是一个极小极大（minimax）博弈问题
利用数据增强技术（如Back-translation、Mixup）或生成模型（如扩散模型、GAN）可以扩充训练集
LETHE证明GAN架构思想可脱离监督学习范式，在完全封闭系统中通过内部一致性检验引导系统演化
LETHE借鉴生成对抗网络（GAN）的架构思想，但完全不依赖外部数据集
40 more timeline events
All Facts (20)
生成对抗网络（GAN）由Ian Goodfellow于2014年提出
90%Verified扩散模型相比GAN训练更稳定、生成多样性更强，且不易出现模式崩溃问题
90%Verified2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式
80%VerifiedGAN通过生成器与判别器对抗博弈提升生成质量，但容易出现模式崩溃问题；扩散模型训练目标更稳定，天然避免模式崩溃
80%VerifiedDDPM（Denoising Diffusion Probabilistic Models）在2020年奠定了扩散模型的理论基础
80%VerifiedAI视频生成技术经历了从GAN（生成对抗网络）到扩散模型（Diffusion Model）的范式转变
80%Verified与GANs相比，扩散模型训练更稳定、生成多样性更高、更易与文本条件整合
80%VerifiedDeepfake技术最早可追溯至2017年，基于GAN（生成对抗网络）实现人脸替换
80%VerifiedGAN训练中的模式崩溃问题推动了WGAN、StyleGAN等改进架构的出现
75%Verified扩散模型通过逐步去噪从随机噪声中还原目标图像或视频帧，通常需要数十步去噪迭代，计算开销极大
75%VerifiedGANs（生成对抗网络）由Ian Goodfellow于2014年提出
70%Verified2022年之后，扩散模型在图像生成质量上全面超越了此前统治多年的GAN（生成对抗网络），成为生成式AI的主流范式
70%Verified扩散模型自2020年前后崛起，以更稳定的训练过程和更高的生成多样性取代GAN成为图像生成的主流范式
65%Verified扩散模型通过学习从噪声中逐步还原图像的反向过程，在细节保真度上超过此前主流的GAN架构
65%Verified模仿学习的核心思想是让机器人通过观察专家演示来习得行为策略，而非依赖大量试错，主要技术路线包括行为克隆（BC）和逆强化学习（IRL）
65%Verified2020年Jonathan Ho等人提出了DDPM（去噪扩散概率模型），是引发图像生成革命的关键突破
65%Verified深度伪造的核心原理依赖生成对抗网络（GAN），由生成器与判别器相互博弈不断优化输出质量
65%VerifiedGAN由生成器和判别器两个网络对抗训练而成，生成器负责创造图像，判别器负责判断真假
65%VerifiedGAN（生成对抗网络）于2014年出现，开启了AI图像生成的新时代
65%Verified2020年以来扩散模型在图像生成质量上全面超越了GAN（生成对抗网络）
65%