＞＞ OplusE 2021年3・4月号（第478号）記事掲載 ＜＜

GANの概要

　GAN（Generative Adversarial Network：敵対的生成ネットワーク）の説明に入る前に，イメージしてもらうためにもGANでできることの例を紹介したいと思います。GANの研究としては，理論面と応用面があります。GANの理論面では計算が安定しないという課題があり，いかに安定させるかが大きなテーマです。一方，応用面では，よく知られているのが画像生成です。最近では，高解像度でかつ本物と見分けのつかない画像生成が実現されてきています。また，ベクトルの各成分に意味をもたせ，生成できる画像をある程度コントロールできるようにするdisentanglementという研究が進んでいます。画像生成系では，馬をシマウマに変えるというような画像のドメイン変換や，文章をインプットして，それにあった画像を生成することもできるようになってきています。さらに，実用的な面では，GANの超解像度への利用やドメイン適応，異常検知などの利用研究も進んでいます。
　では，なぜGANを使うと，例えば高解像な画像が作れるのでしょうか？　そのためにもGANの学習のイメージを画像生成の例に沿って紹介します。GANには主に3人の登場人物がいます。1人目は手持ちのデータ群です。特に画像生成の場合では手持ちの画像群がそれに対応します。2人目はGeneratorで，ベクトルを食べて手持ちの画像群に近い画像を出力できるように学習します。3人目はDiscriminatorで，手持ち画像を本物，Generatorが作る画像を偽物と判別できるように学習します。では，もう少し具体的に学習対象であるGeneratorとDiscriminatorはどのように学習するのかというと，GANはGeneratorとDiscriminatorのいたちごっこの学習と言われているので，それを基にイメージを紹介します。まず，Generatorを固定した上でDiscriminatorが手持ちの画像を本物，Generatorが作る画像を偽物と判別できるように学習します。その後に，GeneratorはDiscriminatorを固定した上で，Discriminatorに本物と答えてもらうように学習します。どのようにすれば本物と答えてもらえるようになるかというと，より手持ちの画像データに近い画像が作れれば本物と認めてもらえるようになるでしょう。つまり，GeneratorがDiscriminatorに本物と答えてもらえるような学習は，結果的にGeneratorが作る画像が本物の画像にちょっと近づくことに対応しています。その後，これらDiscriminatorの学習とGeneratorの学習を交互に繰り返していきます。その結果，Generatorが作れるデータは本物のデータに徐々に近づいていく，つまり，Generatorが作るデータが手持ち画像データに寄っていきます。このようにGANは手持ちデータに「寄せていく」ような学習です。手持ちデータが画像群であれば，Generatorが生成できる画像はその画像に寄っていき，最終的に手持ち画像かそれに近い画像が生成できるようになります。

＜次ページへ続く＞