Begriff
GAN (Generative Adversarial Network)
Warum wichtig?
Dieser Begriff ist ein Knoten im SengakujiWorks-Wissensnetz. Nutze Level 0 für die erste Einordnung, Level 1 für Praxis, Level 2 für technische Struktur und Level 3 für Grenzen, Fallstricke und Expertenkontext.
Stell dir einen Fälscher (Generator) vor, der versucht, perfekte Geldscheine zu malen. Und einen Polizisten (Discriminator), der versucht, Fälschungen zu erkennen. Am Anfang sind beide schlecht. Der Fälscher malt Gekritzel. Der Polizist rät. Mit der Zeit wird der Polizist besser ("Das sieht unecht aus!"). Der Fälscher muss lernen, den Polizisten zu täuschen. Dieser Wettkampf ("Adversarial") zwingt beide zu Höchstleistungen. Am Ende malt der Fälscher Bilder, die von echten Fotos nicht mehr zu unterscheiden sind (Deepfakes). Erfunden von Ian Goodfellow (2014) in einer Kneipe.
Merksatz: Eine Architektur aus zwei konkurrierenden neuronalen Netzen: Ein Generator erzeugt Daten, ein Diskriminator bewertet deren Echtheit; durch diesen Wettbewerb lernt der Generator, täuschend echte Daten zu produzieren.
- Super Resolution: Mache aus einem pixeligen 480p Bild ein scharfes 4K Bild (ESRGAN).
- Style Transfer: Verwandle ein Foto in ein Van Gogh Gemälde (CycleGAN).
- Datenerzeugung: Generiere synthetische Patientendaten für Medizin-KI, ohne Privatsphäre zu verletzen.
1. Minimax Game
Mathematisch ist es ein Nullsummenspiel. $\min_G \max_D V(D, G)$. Der Diskriminator $D$ will den Fehler (Log-Likelihood) maximieren (Fälschungen entlarven). Der Generator $G$ will ihn minimieren (Diskriminator täuschen). Das Training ist extrem instabil ("Nash Equilibrium" ist schwer zu finden).
2. Mode Collapse
Das größte Problem von GANs. Der Generator findet ein Bild, das den Diskriminator täuscht (z. B. eine bestimmte Katze). Er generiert nur noch diese eine Katze ("Collapse"). Die Vielfalt geht verloren. Moderne GANs (StyleGAN2) haben Tricks (Mini-Batch Discrimination), um das zu verhindern.
1. Wasserstein GANs (WGAN) und Earth Mover's Distance
Das originale GAN (Minimax Loss) war chronisch krank: Der Diskriminator lernte oft viel zu schnell, das Cross-Entropy-Signal zum Generator verschwand völlig (Vanishing Gradient), und das Training stoppte tot (Mode Collapse). Forschung löste dies 2017 mit WGAN. Anstatt die Jensen-Shannon-Divergenz (JS) zu nutzen, misst WGAN den "Abstand" der fiktiven und echten Datenverteilungen durch die Wasserstein-Metrik (Earth Mover's Distance: "Wie viel Erde muss ich von Berg A schaufeln, um Berg B exakt nachzubilden?"). Dies erzeugt immer einen verwertbaren, weichen Gradienten. Der Diskriminator wird zum "Critic" (ohne Sigmoid-Output) und liefert kontinuierliche Kritik-Scores statt harter 1/0 Urteile. WGAN-GP (Gradient Penalty) stabilisierte es vollständig.
2. Latent Space Manipulation (StyleGAN)
Wie erzeugt Nvidia realistische, hochauflösende Gesichter von Menschen, die nie existiert haben? In StyleGAN wird der radikale Schritt gegangen, das Input-Rauschen (Latent Vector $z$) nicht als rohen Seed an den Anfang zu werfen, sondern ihn durch ein Mapping-Zellnetz in einen intermediären Vektor $W$ zu übersetzen. Dieser wird als "Style" auf verschiedenen Tiefeebenen des Modells per Adaptive Instance Normalization (AdaIN) injiziert. Spannend: Der Vektorraum $W$ zerfällt in semantische Achsen ("Entanglement"). Forscher können durch simple Vektoraddition im Latent Space das "Alter" im Bild hochziehen oder "Lachen" hinzufügen, ohne die Haarfarbe zu zerstören.
3. Conditional GANs (cGAN) vs P2P-Translation
Ein normales GAN ist "blind" kontrolliert – es erbricht zufälligen Output.
Im cGAN (Conditional GAN) gibt man Generator und Diskriminator zusätzlich ein Label ("Mache mir einen Hund").
Im Spezialfall der Image-to-Image-Translation (pix2pix) ist das Conditional-Signal direkt ein ganzes Input-Bild (ein Umriss). Ein gewaltiges Problem offener Welten ist es, Satellitenbilder zu Straßenkarten zu übersetzen, wenn man keine exakt gepaarten Labels hat. CycleGAN überwindet dies mit Cycle Consistency Loss: Es lernt die Domänen-Übersetzung "Pferd -> Zebra" und zwingt das Netz, dass die Rückübersetzung "Zebra -> Pferd" wieder das Original-Pferd sein muss, wodurch reines unüberwachtes Lernen möglich wird.
Quick-Check
Unterschied zu Diffusion?
GANs sind schnell (ein Forward Pass). Diffusion ist langsam (iterativ). Diffusion hat aber meistens bessere Bildqualität und Vielfalt.Deepfakes?
Ja, GANs (wie FaceSwap) sind die Technologie hinter Deepfakes.Training?
Schwer. Oft oszillieren die Verlsute (Losses). Man braucht viel Tuning (Learning Rates, Batch Norm).