最終更新日:2026年9月26日
gk neural_network gan cheatsheet
まず結論
GAN派生モデルは、性能順位ではなく「何を追加したか」で切り分けます。
| モデル | 判断軸 |
|---|---|
| GAN | GeneratorとDiscriminatorの敵対的学習 |
| DCGAN | GANにCNN系構造 |
| Conditional GAN | 条件を与えて生成 |
| Pix2Pix | ペアあり画像→画像変換 |
| CycleGAN | ペアなし画像→画像変換 |
直感的な説明
- DCGAN → 画像向けの畳み込み構造
- Conditional GAN → 条件を指定する
- Pix2Pix → 正解ペアを見て変換
- CycleGAN → 正解ペアなしで変換
と整理します。
定義・仕組み
DCGAN
DCGANはGANへCNN系アーキテクチャを導入した代表モデルです。
Conditional GAN
Conditional GANはラベル・属性・画像などの条件を与えて生成を制御します。
Pix2Pix
Pix2Pixは入力画像を条件とし、対応する出力画像ペアから画像変換を学びます。
CycleGAN
CycleGANは対応ペアなしで画像変換を学び、Cycle Consistencyを利用します。
いつ使う?(得意・不得意)
問題文で、
- CNNをGANへ導入 → DCGAN
- ラベルで生成制御 → Conditional GAN
- ペア画像あり → Pix2Pix
- ペア画像なし → CycleGAN
を探します。
G検定ひっかけポイント
「高品質」だけで判定しない
❌ 高品質画像ならDCGAN / StyleGANと即断
⭕ モデル構造・条件・データ要件を見る
Pix2PixとConditional GAN
Pix2PixはConditional GANの考え方を画像変換へ使った具体例です。
CycleGAN
重要なのは単なる「スタイル変換」ではなく、対応ペア不要+循環一貫性です。
まとめ(試験直前用)
- GAN=敵対的学習
- DCGAN=CNN
- Conditional GAN=条件付き
- Pix2Pix=ペアあり
- CycleGAN=ペアなし+Cycle Consistency
- 画質ランキングで覚えない
参考資料(原論文)
- Generative Adversarial Nets|NeurIPS
- GANの原論文です。
- Conditional Generative Adversarial Nets|arXiv
- Conditional GANの原論文です。
- Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks|arXiv
- DCGANの原論文です。
- Image-to-Image Translation with Conditional Adversarial Networks|CVF
- Pix2Pixの原論文です。
- Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks|CVF
- CycleGANの原論文です。