GAN

Was ist ein GAN?

Ein GAN (Generative Adversarial Network) ist eine KI-Architektur, bei der zwei neuronale Netze in einem Wettbewerb gegeneinander antreten, um immer realistischere Inhalte zu erzeugen. Das Konzept wurde 2014 von Ian Goodfellow vorgestellt und hat die Erzeugung von künstlichen Bildern, Videos und Audiodaten revolutioniert. GANs können fotorealistische Gesichter von Menschen generieren, die gar nicht existieren, Bilder von niedrigen in hohe Auflösungen umwandeln oder den Stil eines Kunstwerks auf ein Foto übertragen.

Wie funktioniert ein GAN?

Ein GAN besteht aus zwei Komponenten, die gegeneinander arbeiten. Der Generator erzeugt aus zufälligem Rauschen synthetische Daten -- zum Beispiel ein Bild. Der Diskriminator erhält sowohl echte als auch vom Generator erzeugte Bilder und versucht zu unterscheiden, welche echt und welche gefälscht sind. Beide Netze verbessern sich gegenseitig: Der Generator lernt, immer überzeugendere Fälschungen zu produzieren, während der Diskriminator immer besser darin wird, Fälschungen zu erkennen. Dieser Wettkampf -- daher "adversarial" -- treibt die Qualität der erzeugten Inhalte nach oben, bis die synthetischen Daten von echten kaum noch zu unterscheiden sind.

Warum sind GANs wichtig?

GANs haben gezeigt, dass KI nicht nur analysieren, sondern auch kreativ erzeugen kann, und damit den Weg für die gesamte generative KI geebnet. In Unternehmen werden sie unter anderem eingesetzt, um Trainingsdaten synthetisch zu ergänzen (Data Augmentation), um Produktbilder aus verschiedenen Blickwinkeln zu generieren oder um medizinische Bilddaten für Forschungszwecke zu anonymisieren. Für die Bilderzeugung wurden GANs in vielen Bereichen inzwischen von Diffusion-Modellen abgelöst, die stabilere Ergebnisse liefern, doch GANs bleiben für Echtzeitanwendungen und bestimmte Spezialaufgaben weiterhin relevant.

Verwandte Begriffe

Generative AI · Diffusion Model · Neural Network · Deep Learning · Autoencoder · Unsupervised Learning

Mehr dazu in unserem Blogartikel: Midjourney, DALL-E & Stable Diffusion im Vergleich

← Zurück zum Glossar