最終更新日:2026年10月19日
gk neural_network cheatsheet
まず結論
生成モデルを選ぶときは、何を手掛かりに学習し、生成時に何を指定するかを確認します。
このページは、基本形のVAE・GANと、入力画像を条件にするPix2Pixの位置付けを整理します。VAEとGANの学習信号そのものを詳しく比べたい場合は、再構成・KL項と敵対的学習の比較を参照してください。
直感的な説明
「画像を作る」だけではモデルを決められません。
- データから潜在分布を学び、そこから生成するのか
- 本物と生成物を識別する相手と競わせるのか
- 線画などの入力画像に対応する出力画像を作りたいのか
という、目的と条件の違いを見ます。Pix2PixはGANと無関係な第三の学習原理ではなく、Conditional GANによる画像変換です。
定義・仕組み
| 基本モデル | 学習時に使う情報 | 生成・変換時の主な手掛かり | 確認する先 |
|---|---|---|---|
| VAE | 実データから潜在分布を推定し、再構成する | 潜在変数をサンプリングする | VAE |
| 通常のGAN | 実データと生成データを識別する学習 | 潜在ノイズ | GAN |
| Pix2Pix | 対応する入力画像・正解画像のペア | 変換元の入力画像 | Pix2Pix |
表は基本形の比較です。条件付きVAEや他のConditional GANもあるため、VAEは画像条件を使えない、画像を入力すれば必ずPix2Pixとは判断しません。
いつ使う?(得意・不得意)
| 確認したい要件 | 着眼点 |
|---|---|
| 潜在分布と再構成を扱いたい | VAEの仕組みを確認する |
| 識別器との敵対的学習を使いたい | GANの仕組みを確認する |
| 入力線画に対応する画像へ変換したい | Pix2Pixの画像条件と学習ペアを確認する |
| 対応する画像ペアを用意できない | Pix2Pixの前提と合うか再確認する。ペアなし変換はCycleGANへ |
同じ画像生成でも、与える条件と学習データの用意の仕方が異なります。
G検定ひっかけポイント
- 「VAEは学習時もノイズだけを入力」→ 誤り。実データをEncoderへ入力する。
- 「Pix2Pixは条件なしGAN」→ 誤り。入力画像が条件になる。
- 「Pix2Pixはペア画像を使わない」→ 誤り。対応する画像ペアを使う。
- 「最もリアルなら必ずGAN」→ 画質の固定順位ではなく、条件と学習構造を見る。
まとめ(試験直前用)
- 基本形のVAE:実データから潜在分布を学ぶ
- 通常GAN:識別器との敵対的学習
- Pix2Pix:入力画像を条件にするGANで、学習には画像ペアが必要
- 同列の性能ランキングではなく、条件とデータの対応を見る
参考資料(原論文)
- Auto-Encoding Variational Bayes|arXiv
- VAEの原論文です。
- Generative Adversarial Nets|NeurIPS
- GANの原論文です。
- Image-to-Image Translation with Conditional Adversarial Networks|CVF
- Pix2Pixの原論文です。ペア画像を用いる条件付き画像変換を提案しています。