【2025版】12 生成式对抗网络GAN 一 – 基本概念介紹_哔哩哔哩_bilibili
目录
1. GAN生成式对抗网络
2. GAN的训练 散度差异
3.WGAN
4.训练GAN
5. 如何客观评估GAN
6. 条件型生成（按照要求）
7. Cycle GAN（互转配对）
8. diffusion model 扩散模型
1. GAN生成式对抗网络
生成式问题：模型的创造力 没有标准答案 就像大家头脑风暴各自围绕话题说一说，
比如问模型想吃一个水果 机器人会回答 苹果、梨、草莓等等，
又比如让模型根据描述 生成更多的文字/图片/视频。
在监督学习下会存在问题：比如一个预测下一帧的游戏图像 给网络过去几帧的游戏画面，
但因为训练数据对同一个转角 有向左走、向右走这样不同且矛盾的数据，所以训练的结果网络会学会“两面讨好”，输出“又要接近向左走 又要接近向右转”。
我可以给一个二项分布 让机器可能学到 0则左转 1则右转，这样就不会冲突。
总的操作为：输入x 并在一个随机分布（通常用正态分布）获得采样值z 一起送到网络中，然后产生最后的输出y，这样就可以实现输出结果的分布是非固定，不冲突的。
2. GAN的训练 散度差异
把原始样本和生成器生成的样本混在一起，辨别器discriminator需要从中挑出生成器生成的样本。（就像图灵测试 一方尝试装得像 一方尽量区分） 进行“骗”与“找”的对抗，二者一起越来越强。
原始数据的分布p 和生成数据分布q，生成器要让这两个分布尽可能接近，判别器做二分类操作。
训练过程：固定生成器G 训练辨别器D ； 再固定辨别器D 训练生成器G；二者交替。
需要设置 生成数据q(x) 参考数据p(x) 的差异度量divergence，
相当于最小最大博弈过程，可用Conjugate共轭对偶的知识 设置差异函数。 经典差异函数有KL JS.
3.WGAN
JS散度的问题：原始 GAN 中，当生成分布与真实分布几乎没有重叠时，JS 散度为常数 log 2。这意味着基于 JS 散度构建的判别器损失对于生成器参数梯度几乎为零，导致生成器难以更新参数。
如果要构建一张人物头像，对于一组随机像素，几乎不可能恰好就是一张人物头像。
所以人物头像的分布，在高维的空间中其实是非常狭窄的，就算是这两个分布实际上很相似，也很难有任何的重叠的部分。
WGAN 使用 Wasserstein 距离（推土机距离），可以衡量两个分布之间的真实 “距离”，即使两个分布没有重叠，仍然能够提供有意义的梯度信息，使得生成器能够在训练初期也能稳定地更新参数，避免了梯度消失问题，从而让训练过程更加稳定和可控。
Wasserstein 距离：所有边缘分布为Pr Pg 的最小联合分布距离。
对偶问题为
这个条件限制（可以使用梯度惩罚/谱归一化的操作） 保证训练的平滑收敛
本来两个分布 p和 q 距离非常遥远，要它一步从开始就直接跳到结尾，这是非常困难的。但是如果用 Wasserstein 距离，可以让 它们慢慢挪近到一起，最后就可以让它们对齐在一起。所以在训练时它可以让我们的生成器一步一步地变好，而不是一下子就变好。
4.训练GAN
训练难点是 需要生成器和判别器同时训练 互相一步一步一起变强
1. 假设一方突然太强 另一方就会很难进行判别/生成操作 导致训练停止
2. 文本生成时，生成器输出的词是离散的 微小参数变化可能不改变最终输出词 导致梯度无法回传
技巧：1. 生成器与判别器交替训练几步 保持二者势均力敌
2. 标签平滑：判别器对真实样本标签 标1.0会使得判别过于自信 可以缩减改标为0.9
3. 使用 VAE（变分自编码器） Flow-based Generative Model 等其它算法
5. 如何客观评估GAN
主观上：人眼看这张图是否合乎常理 像现实中真的物品 但需要找客观的评估指标
一个想法：训练一个图像的分类系统 会输出生成的这张图片是某一类别的概率分布
如果某样概率特别特别大 那说明就是这个类别；否则四不像 说明生成的质量比较差
比如一个专门生成“辛普森一家”的生成器 生产了下面两张图片 哪张图生成的更符合要求呢？
丢到分类系统里 这个“霸子”概率特别高 说明就是“霸子”；下面这张几个都不太属于，则不符合要求
但会出现模式坍塌的问题 多样性降低 生成数据的分布只是原来真实数据分布的一小部分
比如说我给了它一堆各种品类苹果的样本 模式坍塌值生成器只会拼命生成某一类苹果
但判别器会觉得它生成的图片都没问题 但检测不出多样性太少
（这会导致看几张它生成的图片不觉得有问题，但看多了很多雷同的 就知道生成器有问题）
度量多样性：看之前分类系统 概率分布的平均分布，如果平均分布很集中说明多样性比较差；
如果平均分布比较分散 说明有较好的多样性。
评估的难点：1.同时考虑生成图片的质量和多样性 2.定量评估一个 对于人来说主观的东西
FID（Frechet Inception Distance）使用预训练的Inception-v3网络提取生成图像和真实图像的高维特征，然后计算两个分布之间的Frechet距离（即均值和协方差的差异）。
距离越小，生成数据越接近真实数据的多样性
6. 条件型生成（按照要求）
生成器根据条件x 与随机变量z 生成y
提出文字要求（条件） 可以用 Transformer 把文字转成向量，再喂给生成器。
普通判别器只看生成的图片真不真实，条件型判别器则要 "双查"，还要看图片和条件对不对得上（比如 "红眼睛" 的条件，不能生成蓝眼睛）。
训练时，可以故意搞些 "错题"（比如用 "黑头发" 的文字配 "黄头发" 的图）让判别器练手，确保它能精准判断 "内容是否符合条件"。
除了文字条件外，条件型生成还能做 "图片变图片"（Pix2pix），原理和文字变图一样，只是 "条件 x" 从文字换成了图片。
例如：给张素描，生成实景；给张白天的街景，生成夜景；给张房屋设计图，生成 3D 效果图。
7. Cycle GAN（互转配对）
如果没有成对的 pariwise训练数据（比如有一堆真人照片和动漫头像，却没有 "同一个人" 的真人 - 动漫对照图），怎么让 AI 把真人转成动漫风格？
Cycle GAN ——在没有 "配对数据" 的情况下，学会两种风格的转换。
核心思路：用 "循环一致性" 逼 AI 学规律 就像学翻译时，把中文译成英文，再把英文译回中文，两次翻译后要和原文差不多 ——Cycle GAN 用了同样的 trick： 训练两个生成器：G 负责把 "真人域" 转成 "动漫域"，F 负责把 "动漫域" 转回 "真人域"。
强制要求：一张真人照片经 G 转成动漫后，再经 F 转回真人，结果必须和原图几乎一样。
这样一来，G 不敢乱生成（否则 F 转不回去），只能学到 "保留原图特征 + 转换风格" 的规律（比如把真人的五官保留，换成动漫的线条和色彩）。
Cycle GAN 还能双向工作：既能把真人转动漫，也能把动漫转真人。每个方向都配一个判别器，确保转换后的图片符合目标域的风格（比如动漫转真人时，结果要像真实照片）。
文字风格、语音文字互转、缩句与扩充也同理可用Cycle GAN操作。
8. diffusion model 扩散模型
去噪扩散概率模型（Denoising Diffusion Probabilistic Model，DDPM）
“塑像就在石头里，我只是把不需要的部分去掉”——米开朗基罗
我要生成一张猫的图像 就是从一张随机像素点开始，重复用噪声预测器去噪 越来越接近一只猫。
Q：为啥不直接端到端 从噪声图直接到结果
A：使用一个噪声预测器 比端到端产生一个带噪声的猫的图片 简单的多
训练数据：第n步去噪应该去成什么样子呢？
用一只猫的图像 一步一步加噪声；第n步去噪的训练参考 就是这个第n次加噪（"前向扩散"）
就像老师故意把作业弄脏，让学生练习 "擦掉脏东西"—— 练熟了，模型自然会在生成时反向操作，从纯噪声里 "擦掉" 所有噪声
想实现“文生图” 只需给去噪模块加个 "文字理解" 功能
目标：噪声预测器会结合文字，判断该保留哪些特征（比如 "帽子" 的形状）、去掉哪些噪声
训练时，用 "图片 + 对应文字" 的数据：先给图片加噪声，再让模型结合文字预测噪声
)
)
