Uma rede adversarial generativa, ou GAN, é uma classe de modelo de aprendizado de máquina no qual duas redes neurais, um gerador e um discriminador, são treinadas juntas em oposição: o gerador tenta produzir dados sintéticos realistas o suficiente para enganar o discriminador, enquanto o discriminador tenta distinguir corretamente as saídas falsas do gerador de exemplos reais. O treinamento prossegue como um jogo adversarial no qual melhorias em uma rede impulsionam a outra a melhorar por sua vez, idealmente convergindo para um gerador capaz de produzir dados sintéticos altamente realistas.
História
As GANs foram introduzidas em um artigo de 2014 por Ian Goodfellow e colegas da Universidade de Montreal, supostamente concebidas após uma discussão noturna sobre modelagem generativa. A formulação original treinava redes relativamente pequenas em conjuntos de dados de imagens simples, mas a arquitetura melhorou rapidamente: a DCGAN em 2015 estabeleceu arquiteturas convolucionais estáveis para geração de imagens, e a Progressive GAN em 2017 e a StyleGAN, lançada por pesquisadores da NVIDIA em 2018 e refinada através da StyleGAN2 e StyleGAN3, produziram rostos humanos fotorrealistas convincentes o suficiente para alimentar demonstrações públicas de "esta pessoa não existe" e grande parte da tecnologia posteriormente usada para mídia Deepfake.
Como funciona o treinamento
O gerador recebe ruído aleatório como entrada e o transforma em uma amostra sintética, enquanto o discriminador, um classificador padrão, recebe uma mistura de amostras reais e geradas e é treinado para rotular cada uma corretamente. A função de perda do gerador o recompensa por saídas que o discriminador classifica erroneamente como reais, e ambas as redes são atualizadas via descida de gradiente em etapas alternadas. Em princípio, esse processo adversarial impulsiona a distribuição de saída do gerador a corresponder à distribuição de dados reais, mas na prática o treinamento de GAN é notoriamente instável e propenso a colapso de modo, onde o gerador aprende a produzir apenas uma faixa estreita de saídas convincentes em vez da diversidade completa dos dados reais, um problema que motivou anos de pesquisa em arquitetura e funções de perda.
Aplicações
Além da síntese de rostos e imagens fotorrealistas, as GANs têm sido usadas para tradução de imagem para imagem, como transformar esboços em fotos ou fotos diurnas em noturnas, super-resolução, aumento de dados para treinar outros modelos e conversão de voz. Elas também foram uma arquitetura inicial por trás de sistemas práticos de texto para imagem antes de serem amplamente superadas por modelos de difusão. A síntese baseada em GAN é central para preocupações sobre mídia Deepfake, já que a mesma tecnologia de gerador que produz rostos sintéticos convincentes pode ser direcionada para se passar por pessoas reais em fotos e vídeos, levando a pesquisas sobre detecção de saídas de GAN e marca d'água de IA.
Declínio em relação aos modelos de difusão
Desde aproximadamente 2021, os modelos de difusão deslocaram as GANs como a abordagem dominante para geração de imagens e vídeos de alta qualidade, incluindo em sistemas como DALL-E, Stable Diffusion e Midjourney, porque o treinamento por difusão é geralmente mais estável, evita o colapso de modo e produz maior diversidade de saída, embora as GANs tipicamente gerem uma amostra em uma única passagem rápida para frente em comparação com as muitas etapas iterativas de remoção de ruído de um modelo de difusão. As GANs permanecem em uso ativo onde essa vantagem de velocidade de inferência importa, e seu princípio central de treinamento adversarial continua a influenciar o design de funções de perda muito além da geração pura de imagens.