Skip to the content.

最終更新日:2026年10月19日

まず結論

VAEとGANはどちらも生成モデルですが、どんな信号でパラメータを学習するかが違います。このページは再構成・KL項と敵対的学習を区別するための比較です。入力画像を条件にするPix2Pixまで含む選び方は、生成と条件付き画像変換の比較へ進めます。

観点 VAE GAN
中心構造 Encoder / Decoder Generator / Discriminator
潜在変数 確率分布として扱う 潜在ノイズから生成
学習の考え方 変分推論・再構成 敵対的学習
代表的注意点 再構成とのトレードオフ モード崩壊など

G検定では、分布・変分推論 → VAE、敵対・識別器 → GANで切ります。

直感的な説明

VAE

入力データを潜在空間の確率分布へ写し、そこからサンプリングして再構成・生成します。

GAN

Generatorが本物らしいデータを作り、Discriminatorが真偽を判定します。

定義・仕組み

VAE

  • Encoderが潜在分布のパラメータを推定
  • 再パラメータ化して潜在変数をサンプリング
  • Decoderがデータを再構成・生成
  • 再構成項とKLダイバージェンスを扱う

GAN

  • Generatorが生成データを作る
  • Discriminatorが本物 / 生成を判定
  • 両者を敵対的に学習
  • モード崩壊などの学習上の課題がある

学習信号を説明から見分ける

説明 対応する基本モデル
入力を再構成し、潜在分布を事前分布へ近付ける VAE:再構成項とKL項
本物と生成物を見分ける識別器と、識別器を欺く生成器を学習する GAN:敵対的学習

VAEにもGANにも潜在変数や乱数が登場するため、「乱数から画像を作る」だけでは区別できません。再構成と分布の制約か、生成器と識別器の競争かを見ます。

いつ使う?(得意・不得意)

VAEは潜在表現を明示的に扱いたい場面、GANは敵対的学習を利用した生成・画像変換などで使われます。

ただし、

  • GAN=必ず高画質
  • VAE=必ず安定
  • GAN=必ずVAEより優れる

のような絶対的な性能順位は避けます。

G検定ひっかけポイント

Generator / Discriminator

→ GAN

Encoder / Decoder+潜在分布

→ VAE

モード崩壊

→ GANで代表的な問題

KLダイバージェンス+再構成

→ VAE

まとめ(試験直前用)

  • VAE=確率的潜在変数モデル
  • GAN=敵対的生成モデル
  • VAE:Encoder / Decoder
  • GAN:Generator / Discriminator
  • モード崩壊 → GAN
  • 性能順位ではなく学習機構で判断する

参考資料(原論文)

© 2024-2026 stemtazoo. All rights reserved.