生成对抗网络

生成器造假、判别器辨真假，两者对抗训练来生成逼真数据的模型。

生成对抗网络由 Ian Goodfellow 等人在 2014 年提出，是一类生成模型。它包含两个网络：生成器把随机噪声变成样本，判别器判断样本来自真实数据还是生成器。两者轮流训练，生成器努力骗过判别器，判别器努力识破，理想情况下生成器最终学会真实数据的分布。GAN 一次前向就能出图，速度快，但训练不稳定，还容易模式坍缩（只生成少数几种样本），近年在图像和视频生成上大多被扩散模型取代。它的「判别器打分」思想在机器人里仍很常用：生成对抗模仿学习（GAIL）和对抗运动先验（AMP）都让判别器判断机器人动作像不像示范数据，再把结果当作奖励交给强化学习。

例子AMP 训练仿真人形角色时，判别器对比策略做出的动作片段和动捕数据，越像真人奖励越高，角色因此学出自然的走跑姿态。

也叫

对抗生成网络、GAN

相关

生成模型、生成对抗模仿学习、对抗运动先验、扩散模型、变分自编码器、熵坍缩 / 模式坍缩

来源

Generative Adversarial Networks (Goodfellow et al., arXiv 1406.2661)
AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control (arXiv 2104.02180)