Parte IV · Cap. 05 — GAN (Rede Adversária Generativa)

draft

Conexionista · Geração · Gerador vs. discriminador. Dois modelos competem — um gera, o outro julga — até produzir amostras realistas. Card: ../02-tipos-de-ia/02-conexionista.kmd.

🎨 Figura F-IV.5.0 — O duelo gerador-discriminador. Brief: dois blocos frente a frente: gerador produzindo imagens, discriminador dando veredito "real/falso"; seta de gradiente realimentando o gerador.

GAN — gerador vs. discriminador

1. Definição e história curta

Modelo generativo treinado por jogo adversário (Goodfellow, 2014). Dominou a geração de imagem até a difusão assumir (~2021). Linhagem: DCGAN → StyleGAN (rostos) → pix2pix/CycleGAN (tradução de imagem). Ver Parte III, era 5.

2. Fundamentos

  • Teoria dos jogos — equilíbrio de Nash de um jogo minimax.
  • Probabilidade — aproxima a distribuição dos dados sem densidade explícita.
  • Otimização — treino adversário instável (equilíbrio, não mínimo).
  • Teoria da informação — divergências (JS, Wasserstein) como objetivo.

3. Algoritmos e arquiteturas

  • Gerador — ruído latente → amostra.
  • Discriminador — distingue real de gerado.
  • Objetivo — minimax; WGAN (Wasserstein) estabiliza; gradient penalty.
  • Variantes — condicional (cGAN), StyleGAN (controle de estilo), CycleGAN

    (sem pares).

4. Insumos

  • Hardware: GPU; inferência rápida (1 passo, diferente da difusão).
  • Dados: imagens do domínio-alvo (rostos, paisagens).
  • Estruturas de dados: tensores; espaço latente estruturado (StyleGAN).
  • Sistemas: PyTorch; truques de estabilização de treino.

5. Ciclo de vida especializado

Etapa Especialização
0 Problema Geração rápida 1-passo, edição de estilo, tradução de domínio
1 Dados Imagens do domínio, alinhamento/curadoria
2 EDA Diversidade do dataset (risco de mode collapse)
3 Modelagem Arquitetura (StyleGAN/WGAN), objetivo, condicionamento
4 Treino Adversário; monitorar colapso de modo e instabilidade
5 Avaliação FID, precision/recall de geração, avaliação humana
5.5 Homologação Detecção de artefatos, deepfake safeguards
6 Produção Inferência 1-passo (rápida); edição em espaço latente
7 Monitoramento Qualidade, abuso (deepfakes)
8 Retreino Novos estilos/domínios
9 Governança Deepfakes, consentimento, marca d'água

6. Capacidades, modos e modalidades

Artístico/visual: geração rápida, edição fina de atributos (StyleGAN), super-resolution, tradução imagem→imagem. Também áudio (vocoders HiFi-GAN).

7. Limites, riscos e ética

Treino instável; mode collapse (pouca diversidade); deepfakes e fraude; amplamente superado pela difusão em qualidade/diversidade, mas vence em velocidade (1 passo) e como vocoder.

8. Estado da arte e exemplos

StyleGAN3, GigaGAN; HiFi-GAN (vocoder de TTS); nichos onde a inferência de passo único importa.