---
title: "VAE・GAN・Pix2Pixの違い【最終チートシート｜G検定対策】"
description: "VAE・GAN・Pix2Pixの違いについて、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/vae-vs-gan-vs-pix2pix/"
section: "gk"
---

## 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