Una red generativa adversarial, o GAN, es una clase de modelo de aprendizaje automático en la que dos redes neuronales, un generador y un discriminador, se entrenan juntas en oposición: el generador intenta producir datos sintéticos lo suficientemente realistas como para engañar al discriminador, mientras que el discriminador intenta distinguir correctamente las salidas falsas del generador de los ejemplos reales. El entrenamiento procede como un juego adversarial en el que las mejoras en una red empujan a la otra a mejorar a su vez, convergiendo idealmente en un generador capaz de producir datos sintéticos altamente realistas.
Historia
Las GAN fueron introducidas en un artículo de 2014 por Ian Goodfellow y colegas de la Universidad de Montreal, supuestamente concebidas tras una discusión nocturna sobre modelado generativo. La formulación original entrenaba redes relativamente pequeñas en conjuntos de datos de imágenes simples, pero la arquitectura mejoró rápidamente: DCGAN en 2015 estableció arquitecturas convolucionales estables para la generación de imágenes, y Progressive GAN en 2017 y StyleGAN, lanzada por investigadores de NVIDIA en 2018 y refinada a través de StyleGAN2 y StyleGAN3, produjeron rostros humanos fotorrealistas lo suficientemente convincentes como para impulsar demostraciones públicas de "esta persona no existe" y gran parte de la tecnología utilizada posteriormente para medios deepfake.
Cómo funciona el entrenamiento
El generador toma ruido aleatorio como entrada y lo transforma en una muestra sintética, mientras que el discriminador, un clasificador estándar, recibe una mezcla de muestras reales y generadas y se entrena para etiquetar cada una correctamente. La función de pérdida del generador lo recompensa por salidas que el discriminador clasifica erróneamente como reales, y ambas redes se actualizan mediante descenso de gradiente en pasos alternos. En principio, este proceso adversarial impulsa la distribución de salida del generador hacia la coincidencia con la distribución de datos reales, pero en la práctica el entrenamiento de GAN es notoriamente inestable y propenso al colapso de modo, donde el generador aprende a producir solo un rango estrecho de salidas convincentes en lugar de la diversidad completa de los datos reales, un problema que motivó años de investigación en arquitectura y funciones de pérdida.
Aplicaciones
Más allá de la síntesis fotorrealista de rostros e imágenes, las GAN se han utilizado para la traducción de imagen a imagen, como convertir bocetos en fotos o fotos diurnas en nocturnas, superresolución, aumento de datos para entrenar otros modelos y conversión de voz. También fueron una arquitectura temprana detrás de sistemas prácticos de texto a imagen antes de ser superadas en gran medida por los modelos de difusión. La síntesis basada en GAN es central en las preocupaciones sobre los medios deepfake, ya que la misma tecnología de generador que produce rostros sintéticos convincentes puede dirigirse a suplantar a personas reales en fotos y videos, lo que ha impulsado la investigación en detección de salidas GAN y marcas de agua de IA.
Declive en relación con los modelos de difusión
Desde aproximadamente 2021, los modelos de difusión han desplazado a las GAN como el enfoque dominante para la generación de imágenes y videos de alta calidad, incluso en sistemas como DALL-E, Stable Diffusion y Midjourney, porque el entrenamiento de difusión es generalmente más estable, evita el colapso de modo y produce una mayor diversidad de salidas, aunque las GAN típicamente generan una muestra en un solo paso directo rápido en comparación con los muchos pasos iterativos de eliminación de ruido de un modelo de difusión. Las GAN siguen en uso activo donde esa ventaja de velocidad de inferencia importa, y su principio central de entrenamiento adversarial continúa influyendo en el diseño de funciones de pérdida mucho más allá de la generación de imágenes pura.