GANの派生モデルまとめは頻出論点を整理して得点力につなげる学習テーマです。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network gan cheatsheet

G検定トップ ＞ GANの派生モデルまとめ

まず結論

  • GANは派生モデル名と用途を結びつける問題が多い
  • G検定では
    👉「条件付き？」「変換？」「高品質？」
    のどれかで切る
  • DCGAN / Conditional GAN / CycleGAN / StyleGAN が頻出

直感的な整理（超重要）

GAN派生は一言で覚える👇

  • DCGAN → 画像をきれいに
  • Conditional GAN → 条件をつけて
  • CycleGAN → 変換する
  • StyleGAN → 超高品質

主要GAN派生モデル

DCGAN（Deep Convolutional GAN）

  • GANに CNNを導入
  • 画像の空間構造を保持
  • 高解像度な画像生成が可能

👉
GAN × CNN

Conditional GAN（cGAN）

  • 入力に 条件ラベル を追加
  • 特定クラスの画像を生成可能

例：

  • 「数字3の画像を生成」
  • 「犬の画像だけ生成」

👉
条件付き生成

CycleGAN

  • 画像から画像への変換
  • ペアデータ不要
  • 逆変換の一貫性（Cycle Consistency）を利用

例：

  • 写真 ↔ 絵画
  • 夏 ↔ 冬

👉
Image-to-Image Translation

StyleGAN

  • スタイルを制御した画像生成
  • 非常に高品質
  • 顔画像生成で有名

👉
リアルすぎる画像

試験向け比較表（ここだけ見ればOK）

モデル 主目的 キーワード
DCGAN 高品質生成 CNN
Conditional GAN 条件付き生成 ラベル
CycleGAN 画像変換 ペア不要
StyleGAN 超高品質 スタイル

G検定ひっかけポイント

❌ よくある誤解

  • ❌ 「YOLOはGANの一種」
  • ❌ 「GANは分類モデル」
  • ❌ 「CycleGANはペア画像が必要」

✅ 正しい切り方

  • 生成？ → GAN
  • 条件付き？ → Conditional GAN
  • 変換？ → CycleGAN
  • 画質重視？ → StyleGAN

試験での即断フレーズ

  • 「条件付き生成」 → Conditional GAN
  • 「ペアなし画像変換」 → CycleGAN
  • 「高解像度画像生成」 → DCGAN / StyleGAN
  • 「物体検出」 → ❌ GANではない

まとめ（試験直前用）

  • GAN派生は 用途で区別
  • DCGAN：CNN導入
  • cGAN：条件付き
  • C*

🔗 関連記事

🏠 G検トップに戻る