生成对抗网络（GAN）
生成对抗网络（Generative Adversarial Network，GAN）是 Goodfellow 等人 2014 年提出的生成模型框架，核心思想是让两个神经网络在「对抗博弈」中共同进化：生成器 G（generator）从随机噪声 z 出发生成假样本，目标是骗过判别器；判别器 D（discriminator）是一个二分类器，目标是分辨样本来自真实数据还是 G 生成的。二者构成一个极大极小博弈（minimax game），价值函数为 min_G max_D V(D,G) = E_x[log D(x)] + E_z[log(1 - D(G(z)))]。理论上当博弈达到纳什均衡时，G 完美拟合数据分布 p_data，D 在任意样本上输出恒为 1/2（无法分辨）。GAN 的革命性在于：无需显式定义似然函数（区别于 VAE/扩散模型的概率建模），只需可微采样即可用反向传播训练，因此生成质量极高、速度快（单次前向）。但代价是训练极不稳定——模式崩溃（mode collapse）（G 只能生成少数几种样本）和不收敛是经典难题。围绕稳定性与质量，GAN 演化出庞大谱系：DCGAN（2015，卷积架构奠定图像生成）→ 条件 GAN（CGAN/cGAN）（条件控制）→ WGAN（2017，用 Wasserstein 距离替换 JS 散度解决梯度消失）→ WGAN-GP（梯度惩罚替代权重裁剪）→ CycleGAN（无配对图像翻译，循环一致性）→ StyleGAN（2018/2019/2020 三代，AdaIN 解耦风格，人脸生成标杆）→ BigGAN（2019，规模 + 截断技巧，ImageNet SOTA）。在 AI 体系中，GAN 是深度生成模型三大范式之一（与 VAE、扩散模型并列），曾主导图像生成近十年，如今在实时/可控生成、风格迁移、超分等场景仍不可替代。信源 Goodfellow 2014 原论文 + 各改进论文。
评价
优点
- 生成质量高：对抗训练驱使 G 逼近真实分布，图像分辨率、清晰度在生成模型中名列前茅（StyleGAN2/3 的 1024×1024 人脸几可乱真）
- 推理速度极快：生成只需一次前向传播 G(z)，单步出图，比扩散模型快几百到几千倍，适合实时交互
- 无需似然建模：不依赖对数似然下界（如 VAE 的 ELBO）或概率密度估计，对那些难以写出似然函数的数据更灵活
- 隐空间结构丰富：训练良好的 GAN 隐空间具备可插值性、线性可加性（如「戴眼镜的男人 − 男人 + 女人 = 戴眼镜的女人」），支持语义编辑
- 架构灵活：G/D 可任意设计（MLP/CNN/Transformer），适配图像、音频、视频、文本、分子等多模态
- 可控生成生态成熟：CGAN/StyleGAN/ControlGAN 等提供了丰富的条件控制手段，工业落地（换脸、风格迁移、数据增强）案例多
缺点
- 训练不稳定：G 与 D 相互博弈易失衡，常见震荡、发散、梯度消失，需要精细调参（学习率、网络容量匹配）
- 模式崩溃（mode collapse）：G 找到一个能骗过 D 的局部最优，反复生成同一种或少数几种样本，丧失多样性（生成 1 万张人脸全是一个人）
- 难以评估：没有显式似然，无法直接用对数似然度量，需依赖 FID（Fréchet Inception Distance）、IS（Inception Score）等代理指标，评估成本高且不完美
- 无显式概率密度：只能采样不能求 p(x)，无法直接做密度估计、异常检测（需借助反演等额外技术）
- 超参敏感：架构、优化器、批归一化位置等选择对结果影响极大，复现困难，论文结果常难复现
- 规模扩展性弱于扩散模型：在文本/多模态大模型时代，GAN 难以像扩散模型那样平滑吸收文本条件、难以稳定训到超大规模，已被扩散模型在很多赛道超越
文档地址
- Generative Adversarial Nets（Goodfellow et al. 2014 原论文）
- Wasserstein GAN（Arjovsky et al. 2017）
- Improved Training of WGANs（WGAN-GP, Gulrajani et al. 2017）
- A Style-Based Generator（StyleGAN, Karras et al. 2019）
- PyTorch GAN Zoo（NVIDIA 开源实现合集）
GitHub地址
eriklindernoren/PyTorch-GAN · nvlabs/stylegan3