Skip to the content.

最終更新日:2026年9月26日

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)

© 2024-2026 stemtazoo. All rights reserved.