VAE・GAN・Pix2Pixの違いは関連概念を切り分けるための考え方です。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 cheatsheet

G検定トップ ＞ VAE・GAN・Pix2Pixの違い【最終チートシート｜G検定対策】

まず結論

VAE・GAN・Pix2Pixはすべて生成モデルだが、G検定では「何を入力として、何を出力するか」「条件の有無」で明確に使い分ける必要がある。

直感的な説明

この3つは、スタート地点とゴールが違うモデルです。

  • VAE：

    • 何もないところ（ノイズ）から画像を作る

  • GAN：

    • ランダムにリアルっぽい画像を作る

  • Pix2Pix：

    • ある画像を、別の画像に変換する

同じ「生成」でも、

作る 変換する

の違いがある、と考えると整理しやすいです。

定義・仕組み

VAE（Variational Autoencoder）

  • 入力：ランダムノイズ（潜在変数）
  • 出力：新しい画像

  • 特徴：

    • 確率モデル
    • 潜在空間を学習

GAN（Generative Adversarial Network）

  • 入力：ランダムノイズ
  • 出力：新しい画像

  • 特徴：

    • Generator と Discriminator の対戦
    • リアルさを重視

Pix2Pix

  • 入力：画像
  • 出力：対応する別の画像

  • 特徴：

    • Conditional GAN の一種
    • 画像ペアを使う教師あり学習

いつ使う？（得意・不得意）

VAEが向く場面

  • 潜在表現を扱いたい
  • データの分布をなめらかに表現したい

GANが向く場面

  • とにかくリアルな画像を生成したい
  • 条件指定が不要な場合

Pix2Pixが向く場面

  • 画像→画像変換
  • 入力と出力が1対1対応する問題

G検定ひっかけポイント

G検定では、「生成モデル」という言葉だけで判断させようとする選択肢が出ます。

よくある混同

  • VAE と GAN
  • GAN と Pix2Pix

正誤を切る判断基準

  • 入力が画像？ → Pix2Pix
  • 入力がノイズ？ → VAE / GAN
  • 画像ペアを使う？ → Pix2Pix
  • 潜在空間・確率モデル？ → VAE
  • 対戦学習でリアルさ重視？ → GAN

まとめ（試験直前用）

  • 3つとも生成モデルだが役割が違う
  • VAE：ノイズ → 画像（確率モデル）
  • GAN：ノイズ → 画像（リアルさ重視）
  • Pix2Pix：画像 → 画像（Conditional GAN）
  • G検定では「入力と条件」で即判断

🔗 関連記事

🏠 G検トップに戻る