AI 如何生成以假乱真的图片？ 其实，这背后藏着一个有趣的 “对抗游戏”，它的名字叫生成对抗网络，也就是 GAN Generative Adversarial Network GAN由两个关键部分构成：生成器和判别器 它们都要预先学习大量真实图片的数据特征 比如颜色分布、物体形状、纹理细节这些能体现图片真实感的特点 生成器的任务是尝试生成新的图像，骗过判别器 而判别器的职责是判断图像是真实照片，还是由生成器“伪造”的图像 并给出判断为真实的概率 一开始，生成器生成的图片非常粗糙，判别器一眼就能识破 于是生成器开始不断调整自己的参数，让新生成图片在判别器那里获得更高的真实度评分 重复这个过程，直到判别器已无法判断生成图片的真假，只能按照 50% 的概率随机给出结果 接下来，我们就需要加强判别器的能力 我们把真实图片和生成图片一起交给判别器 通过“反向传播算法”调整判别器的参数 使得真实图片的输出概率接近于1，而生成图片的输出概率接近于0 换言之，判别器可以轻松分辨真实图片和生成图片 接着，再轮到生成器升级，以“骗过”更强的判别器 在这个不断“对抗”与“学习”的过程中，生成器的水平越来越高，图像细节越来越真实；而判别器的“火眼金睛”也越来越犀利 经过反复训练，最终生成器就能产出足以以假乱真的图像 如今，这项技术在影视特效、虚拟场景构建、艺术创作等多个领域都发挥着重要作用，为我们带来了许多意想不到的视觉体验

视频信息

答案文本 复制

视频字幕 复制

AI如何生成以假乱真的图片？其实，这背后藏着一个有趣的"对抗游戏"，它的名字叫生成对抗网络，也就是GAN。GAN是Generative Adversarial Network的缩写，这项技术让AI能够创造出令人难以置信的逼真图像。 GAN由两个关键部分构成：生成器和判别器。它们都要预先学习大量真实图片的数据特征，比如颜色分布、物体形状、纹理细节这些能体现图片真实感的特点。生成器和判别器就像两个对手，在不断的竞争中提升各自的能力。 一开始，生成器生成的图片非常粗糙，判别器一眼就能识破。于是生成器开始不断调整自己的参数，让新生成图片在判别器那里获得更高的真实度评分。重复这个过程，直到判别器已无法判断生成图片的真假，只能按照50%的概率随机给出结果。 接下来，我们就需要加强判别器的能力。我们把真实图片和生成图片一起交给判别器，通过"反向传播算法"调整判别器的参数，使得真实图片的输出概率接近于1，而生成图片的输出概率接近于0。换言之，判别器可以轻松分辨真实图片和生成图片。 接着，再轮到生成器升级，以"骗过"更强的判别器。在这个不断"对抗"与"学习"的过程中，生成器的水平越来越高，图像细节越来越真实；而判别器的"火眼金睛"也越来越犀利。经过反复训练，最终生成器就能产出足以以假乱真的图像。如今，这项技术在影视特效、虚拟场景构建、艺术创作等多个领域都发挥着重要作用。