---
title: "GAN と VAE の違い（生成モデル比較）"
description: "GAN と VAE の違い（生成モデル比較）について、G検定で問われる生成モデル分野の観点から、目的、前提、モデル構造、入力と出力、評価観点のどこが異なるかを比較します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/gan-vs-vae/"
section: "gk"
---

## まず結論

* **GAN**：リアルな画像生成が得意（対戦学習）
* **VAE**：安定した学習・潜在空間の扱いやすさが強み
* **画質重視 → GAN / 理論・安定性 → VAE**

👉 G検定では  
**「対戦か？確率モデルか？」** で切る。

---

## 直感的な説明

### GAN

> **偽物を作る人（Generator）と見破る人（Discriminator）の対決**

* だんだん騙すのが上手くなる
* 見た目がリアルになりやすい

---

### VAE

> **データを一度圧縮して、そこから再構成する**

* 「似たもの」を連続的に生成できる
* 理論的に整理されている

---

## 定義・仕組み

### GAN（Generative Adversarial Network）

* Generator：偽データを生成
* Discriminator：本物か偽物か判定
* **ミニマックス問題（対戦学習）**

👉  
確率分布を **暗黙的に学習**

---

### VAE（Variational Autoencoder）

* Encoder：データ → 潜在変数
* Decoder：潜在変数 → データ
* **確率モデル + 変分推論**

👉  
潜在空間を **明示的に学習**

---

## 最大の違い（ここが狙われる）

| 観点 | GAN | VAE |
|---|---|---|
| 学習方法 | 対戦学習 | 確率モデル |
| 学習安定性 | 不安定 | **安定** |
| 生成画像 | **高品質** | ややぼやける |
| 潜在空間 | 扱いにくい | **連続的で扱いやすい** |
| 理論的保証 | 弱い | **強い** |

---

## いつ使う？（得意・不得意）

### GAN が向く場面

* 写真のようにリアルな画像生成
* 高品質な見た目が重要
* アート・顔生成・画像拡張

---

### VAE が向く場面

* 潜在空間の操作
* 異常検知
* データ生成の安定性重視

---

## G検定ひっかけポイント

### ❌ よくある誤解

* ❌ 「GANは確率モデル」
* ❌ 「VAEは対戦学習」
* ❌ 「VAEの方が画質が良い」

---

### ✅ 正しい理解

* GAN：対戦・高画質・不安定
* VAE：確率・安定・ぼやけやすい

---

## 試験での即断フレーズ

* 「対戦学習」 → **GAN**
* 「確率モデル」 → **VAE**
* 「高品質画像生成」 → **GAN**
* 「潜在変数・変分推論」 → **VAE**

---

## まとめ（試験直前用）

* GANとVAEは **生成モデル**
* 仕組みが根本的に違う
* 画質重視：GAN
* 理論・安定性：VAE

👉 次は  
**Diffusion Model（拡散モデル）**  
を押さえると、最新トレンドまでカバーできます。