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。
核心事实
时间轴 (近 90 天)
扩散模型通过简洁的数学框架和稳定的训练过程，克服了GAN的诸多缺陷。
模式崩溃是指生成器反复输出容易骗过判别器的样本，导致生成结果多样性严重不足。
GAN的训练过程涉及两个网络同时优化，收敛难度大。
AIGC（人工智能生成内容）指利用AI模型自动生成文本、图像、音频、视频等内容的技术总称，其底层多基于大语言模型、扩散模型等生成式架构。
在 Loop 中应结构性地更换裁判：一个 Agent 写，另一个 Agent 带不同指令去审查，甚至换底层模型，类似 GAN 的生成器与判别器分离。
模式崩溃原是生成模型（如GAN）中的术语，指生成器倾向于只产出少数几种样本，无法覆盖数据分布的全部模式；在强化学习语境下表现为策略过早收敛到少数高奖励轨迹上。
论文没有讨论量子生成模型的训练成本与传统GAN的对比，且BUSI数据集规模相对有限，该方法能否推广到更大规模、更多癌种的图像数据集上仍是未知数。
在数据不平衡场景下，开发者值得尝试将生成式方法（经典GAN或量子生成模型）作为数据预处理环节，而非仅依赖损失函数加权或采样策略来处理类别不平衡。
深度伪造技术最初由生成对抗网络（GAN）研究演化而来，生成器与判别器相互博弈迭代训练输出以假乱真的人脸图像或视频
新一代视频生成模型在时间维度上对运动轨迹进行建模，消除了早期GAN最明显的闪烁和抖动瑕疵
还有 40 条时间轴事件
全部知识事实 (20)
DDPM（Denoising Diffusion Probabilistic Models）在2020年奠定了扩散模型的理论基础
90%已验证生成对抗网络（GAN）由Ian Goodfellow于2014年提出
90%已验证扩散模型相比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%已验证与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%已验证2020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%已验证GAN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%已验证AI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%已验证Deepfake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%已验证GAN训练中的模式崩溃问题推动了WGAN、StyleGAN等改进架构的出现
75%已验证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%已验证GANs（生成对抗网络）由Ian Goodfellow于2014年提出
70%已验证2022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%已验证扩散模型自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%已验证图像生成的主流技术已从GAN演进为扩散模型，DALL·E 2和Stable Diffusion均基于扩散模型原理
65%已验证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%已验证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%已验证2020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%已验证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%已验证GAN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%已验证GAN（生成对抗网络）于2014年出现，开启了AI图像生成的新时代
65%