GAN · 对抗网络篇

GAN 是深度学习史上最富戏剧性的架构——两个神经网络你追我赶、互相较量，最后学会了造以假乱真的假货。人脸生成、图像风格迁移、DeepFake、AI 换脸……2014 到 2020 年那波"AI 生成图"的浪潮，几乎全是 GAN 的功劳。

GAN 的两个演员：G 与 D

GAN（Generative Adversarial Network）由两个神经网络组成：
生成器 G（Generator）——它拿一小段随机噪声当"灵感"，努力生成一张看起来像真数据的东西。就像那位假币贩子，从空白纸开始造假钞。
判别器 D（Discriminator）——它看到一张图（可能真、可能假），要判断"这是真的（来自真实数据）还是 G 造的"。就像验钞员。
两者的目标彻底相反：G 要骗过 D，D 要抓住 G。这种"你死我活"的博弈就是 GAN 名字里"Adversarial（对抗）"的含义。

训练一次到底发生了什么

• Step 1从真实数据集里取一批"真图"，让 D 学会说"这些是真的"。
• Step 2G 从随机噪声生成一批"假图"，让 D 学会说"这些是假的"。
• Step 3冻结 D，用 D 的评价去反过来指导 G：G 调整参数，让 D 越来越无法把它的假图识破。
• Step 4回到 Step 1，G 和 D 交替更新，一步步共同进化。

零和博弈：为什么这个循环能收敛

数学上，GAN 是一个"极小极大博弈"（minimax game）——G 想让"D 判断假图的失误率"越大越好，D 想让这个失误率越小越好。理论上，当两者都收敛到均衡点时，G 生成的分布 = 真实数据分布——也就是造出来的假图，从概率意义上和真图完全无法区分。
但训练 GAN 从来不轻松——G 和 D 力量失衡就完蛋：G 太弱，D 一眼看穿，G 无从改进；D 太弱，G 造啥垃圾都能骗过，永远不进步。工程上要靠各种技巧（学习率、批大小、正则化、渐进增长……）小心地维持这场博弈的平衡。

GAN 的名场面：从 64×64 到 4K 高清脸

GAN 干过的那些事

假脸生成——thispersondoesnotexist.com 上每一张脸都是 StyleGAN 编出来的，现实中不存在这个人。
DeepFake 换脸——把电影明星的脸换到另一个人身上，这项技术引发过大量伦理讨论。
老照片修复 / 上色——把黑白祖辈照片上色、模糊照片修高清、破损照片补全。
风格迁移——把你的自拍变成梵高油画、水墨画、动漫风格。
超分辨率——把 480p 视频放大到 4K，靠 GAN "脑补"细节。
时装 / 商品设计——生成从未见过的服装、鞋子、家具样式，让设计师参考。

GAN 的困境与 Diffusion 的接棒

GAN 虽然效果炸裂，但训练极其不稳定、容易"模式崩溃"（只会生成几张固定图像）、可控性差。2020 年之后，扩散模型（Diffusion）横空出世——它训练更稳、生成质量更高、可控性更强，逐渐取代 GAN 成为图像生成的主流。Midjourney、Stable Diffusion、DALL-E、Sora，用的都是 Diffusion，不是 GAN。
但 GAN 并没有退场——在实时生成（速度快）、图像超分、风格迁移等场景，它依然是首选。而且它开创的"对抗训练"思想已经渗透到很多其他领域，比如对抗样本、鲁棒性训练、隐私保护。

为什么 GAN 训练如此难驯服

GAN 的训练是深度学习圈公认的"最难调"之一，因为它违反了梯度下降最喜欢的那种"目标稳定"假设——你在优化 G 时，D 也在动；你在优化 D 时，G 也在动。整个过程像两个人在同一根跷跷板上找平衡，稍不小心就崩：G 太强，D 每次都被骗过去，梯度信号消失；D 太强，G 无论怎么改都被识破，梯度全变负数，直接崩溃到只输出几张固定的假图（这就是臭名昭著的"模式崩溃"）。
为此，工程师们发明了一堆花式技巧——WGAN 换了距离度量避免梯度消失、Spectral Norm 限制 D 的能力不让它太强、渐进增长先训小分辨率再加层、Two Timescale 让 G 和 D 学习率不同——每一样都是从血泪教训里总结出来的。你去顶级会议翻 2017-2020 年的 GAN 论文，能看到工程师们对着这台"喜怒无常的机器"绞尽脑汁的样子。

条件 GAN：让"造假"听话

原始 GAN 只能"随机"生成——你不能指定"给我一张笑脸的猫"，它只会随机抽签。条件 GAN（cGAN）解决了这一点：把额外的信息（比如类别标签、文本描述、素描草图）也喂给 G 和 D，让 G 学会"按条件造假"、D 学会"按条件判断"。
这一个小改动打开了 GAN 的应用大门——Pix2Pix把它用在图像转换（草图 → 照片），StackGAN 用它做文本生图，StyleGAN 用它把风格向量作为条件精细控制生成人脸的年龄、性别、发型。今天你在网上看到的绝大多数 GAN 应用，本质上都是某种条件 GAN。

StyleGAN：可控性的巅峰

2018 年 NVIDIA 提出的 StyleGAN 是 GAN 时代最闪亮的一颗明珠——它把"生成"这件事拆成了"粗粒度到细粒度"的多个层次：早期层控制脸型、姿势这种大结构，中期层控制五官、发型，后期层控制皮肤纹理、光影。你可以像调音台一样，一层一层拨动这些"风格向量"——瞬间改变发型而保持五官不变、瞬间改变年龄而保持身份识别、瞬间改变光照而保持表情——这是原始 GAN 完全做不到的可控性。
StyleGAN 2 和 StyleGAN 3 进一步解决了闪烁、抖动、"贴纸感"等问题，让生成的假人脸能在动态镜头里也保持真实感。thispersondoesnotexist.com 那些让人分不清真假的头像，全部都出自 StyleGAN 系列。它的架构和思想直接影响了后来的 Diffusion 模型——比如 Stable Diffusion 里也保留着"控制风格"的机制。

GAN 与伦理：一把双刃剑

GAN 造出的"以假乱真"的能力，从诞生第一天起就带着伦理阴影。DeepFake 换脸让人无中生有地"出现"在色情视频、假新闻里，损害了大量普通人的名誉。假身份证 / 假证件照让金融风控头疼不已。虚假历史照片让考古和历史研究面临真假难辨的挑战。
各国政府、平台、研究机构陆续给出反制方案：图像水印、GAN 检测器（反过来训练网络识别 AI 生成图）、法律层面的"深度伪造禁令"。但这场"造假 vs 打假"的对抗游戏，未来几十年都不会有终点——毕竟 GAN 的思想本身就是"造假 vs 打假"。理解 GAN，不光是理解技术，更是理解今天信息时代"眼见不再为实"的根本原因。

GAN 的思想为什么留了下来

虽然 Diffusion 已经在图像生成主战场上取代了 GAN，但 GAN 的核心思想——用一个网络当"评委"来指导另一个网络学习——已经渗透进整个深度学习圈，远远超出了"生成图片"这个原始场景。
对抗训练（Adversarial Training）被用来增强模型的鲁棒性——用一个网络专门找"能骗过模型的对抗样本"，用另一个网络学着抵御，双方拉扯让模型更抗攻击。Actor-Critic 强化学习框架里，Actor（做决策）和 Critic（评价）也是一种类似 GAN 的博弈。差分隐私里，用一个网络专门生成"最像真数据的匿名数据"、另一个网络专门试着识别，两者对抗保护隐私。GAN 提出的这套"两个网络较量"的范式，可能是深度学习史上影响最深远的一个 idea——它教会我们，AI 不一定要有明确的目标函数，有时"内部竞争"本身就能催生智能。