今天我們來討論最近很流行的GAN，而最近很多新聞或者很多Youtuber都在討論他的應用，Ex: DeepFake 或者一些人像修圖應用。都是GAN的應用。

GAN是於2014年由Ian Goodfellow 提出生成生成對抗網路(GAN: Generative Adversarial Nets)，這個方法提出後，大幅突破了非監督式以及神經網路的學習。耀升近期討論度最高的技術。

( 像下面那個就是可以讓人和人都後空翻的技術XD )

source

那GAN的架構長什麽樣子呢？

GAN 主要由兩個模型： Generator (生成) 和 Discriminator (判斷) 組成。

首先是 Generator的功能，Generator 的目標 就是當你input 的 array的時候，他能依照你的array樣態生成目標 (Ex: [1,1,1] -> 光頭、170以上、男生 , [0,1,0] -> 長髮、170以上、女生)。

接下來是Discriminator的功能，Discriminator的目標就是當Generator生成照片時，可以透過這個網路來對生成的照片做評分或者說驗證品質。因此，這Componet 有著不同的目標，相互對抗。

國外最常的舉例就是，假鈔跟驗證假鈔，Generator 是負責做假鈔的人，Discriminator 是檢驗是否為假鈔。或者說，也可以把它看成為學生跟老師的關係。

source

而在training 的 process 如下，Generator 為不斷想辦法"騙過" Discriminator。而Discriminator 會努力的去判別。所以雙方會不斷的進步成長。 (如同佐助跟鳴人)。其中，只有Discriminator會看過真實的圖片，Generator完全不會。因此，Generator才能產出沒有看過的圖片！

source

接下來我們聊聊一些有趣的GAN 的應用，這邊有大神整理好約每週會更新GAN的新的paper - GAN Zoo。

• Pix2Pix:

  pix2pix 主要是採用cGAN網路的結構，透過像是增加 U-Net或者 skip-connection 等不同機制，強化GAN。而他所應用的場景像是圖像的還原或者修圖等等。此外，像是有些 線上版本 可以玩玩看。

source

• Cycle GAN:

  當時很紅的Cycle GAN，作者直接把斑馬跟馬完美轉換的影片展示出來。Cycle GAN主要是從pix2pix (Ex: 應用上像是把灰階圖片轉成彩色圖片) 演化而來。

• PixelDTGAN

  PixelDTGAN應用則是可透過一個複雜的圖，從中萃取，或者產生所需要的部分的圖。舉例來說：今天有一個Model身上穿了很多好看的衣服，而如何得到一個純粹衣服的照片並po在官網上賣。就可以使用PixelDTGAN

  

小結：

最近GAN真的非常紅，尤其是許多人都在討論DeepFake帶來的問題議題 (Ex: 18限應用)。感謝大家漫長的閱讀，明天會來實作一下GAN

一天一梗圖:

source