【ITニュース解説】Introducción a las GANs

GANsはGenerative Adversarial Network（敵対的生成ネットワーク）の略称で、2014年にイアン・グッドフェローによって提唱された。この技術はディープラーニング分野において非常に大きな影響を与え、その後のAI技術の発展に欠かせないものとなっている。GANsは、その名前が示す通り、互いに競争し合う二つのニューラルネットワークから構成されているのが最大の特徴だ。

一つのネットワークは「ジェネレーター（Generator）」と呼ばれ、これは新しいデータを生成する役割を担う。具体的には、ランダムなノイズデータ、つまり意味を持たない情報を受け取り、そこからまるで本物のような合成データ、例えば画像を生成する。生成された画像は現実には存在しない「偽物」の画像である。もう一つのネットワークは「ディスクリミネーター（Discriminator）」と呼ばれ、これは識別器として機能する。ディスクリミネーターの役割は、入力されたデータが本物のデータセットから取られた「本物」なのか、それともジェネレーターが作り出した「偽物」なのかを正確に判別することにある。

この二つのネットワークは、まるでゲームのように互いに競い合いながら学習を進める。ジェネレーターの目標は、ディスクリミネーターを「騙す」こと、つまり自分自身が生成した偽物のデータを、ディスクリミネーターが本物だと誤認するほど高品質にすることを目指す。一方、ディスクリミネーターの目標は、ジェネレーターが生成した偽物を確実に「見破る」こと、つまり本物と偽物を正確に区別できるようになることである。この絶え間ない競争と学習のサイクルを繰り返すことで、ジェネレーターは最終的に非常にリアルで説得力のあるデータを生成する能力を身につけていく。結果として、ディスクリミネーターも本物と偽物をより高度に見分けられるようになる。

GANsの具体的な応用例として最もよく知られているのは、存在しない人物の顔を生成する技術である。例えば「This Person Does Not Exist」といったウェブサイトでは、実在しないにもかかわらず極めて自然で本物と見分けがつかないようなリアルな顔画像が無数に生成されている。これは、GANsが持つ強力な生成能力を示す典型的な例だ。

ここで、生成モデルと識別モデルというAIの基本的な分類について触れておこう。識別モデルは、与えられた入力データがどのカテゴリに属するか、その確率を予測するタイプのモデルである。例えば、画像が犬か猫かを分類するようなタスクで使われる。ロジスティック回帰やサポートベクターマシン、画像分類用のニューラルネットワークなどがこれに該当する。これに対し、生成モデルはデータそのものの分布を学習し、その学習した分布に基づいて新しいデータを生成できるモデルである。ナイーブベイズやガウス混合モデルなどが生成モデルの一例だ。GANsも生成モデルの一種だが、通常の生成モデルがデータの分布を明示的に学習するのに対し、GANsはジェネレーターとディスクリミネーターの敵対的学習を通じて、データの分布を暗黙的に学習する点に大きな違いがある。

GANsの基本的な動作をさらに詳しく見ていこう。まずジェネレーターには、ランダムな数値の並びである「ノイズベクトル」が入力される。このノイズは通常、ガウス分布や一様分布といった確率分布からサンプリングされる。ジェネレーターはこのノイズを基にして、偽の画像を生成する。次に、ディスクリミネーターには、実際のデータセットから取り出された「本物の画像」と、ジェネレーターが生成した「偽物の画像」の両方が入力される。ディスクリミネーターはこれらの画像を見て、それぞれの画像が本物か偽物かを二値分類問題として判別する。

学習プロセスは二段階に分かれている。まずディスクリミネーターの学習では、本物の画像には「1」、偽物の画像には「0」という正解ラベルを付与して、画像が本物か偽物かを正確に分類できるように訓練する。この分類タスクには、バイナリクロスエントロピーと呼ばれる損失関数がよく用いられる。ディスクリミネーターが本物と偽物を識別する能力を高めることが目的だ。次にジェネレーターの学習では、ジェネレーターが生成した偽物の画像をディスクリミネーターに入力するが、この時、その偽物の画像に「1」、つまり「本物」であるというラベルを付けてディスクリミネーターを騙すように学習させる。これは、ジェネレーターがディスクリミネーターを欺くことに成功するほど、良い性能を発揮しているとみなすためである。この二つの学習フェーズを交互に繰り返すことで、ジェネレーターは次第に本物と見分けがつかないほどの画像を生成できるようになり、ディスクリミネーターも本物と偽物をより高い精度で区別できるようになっていく。

GANsの応用範囲は非常に多岐にわたる。例えば、SRGAN（Super-Resolution GAN）は、低解像度の画像を驚くほど高解像度に変換し、画像の詳細を鮮明にする技術である。Temporal Shift GANは、静止画の連続から自然な動きのある動画を生成することを可能にする。また、StackGANのように、テキストで指示された内容に基づいて全く新しい画像を生成する技術も開発されている。「白い犬が芝生の上に座っている」といったテキスト情報から、その通りの画像を生成できるのだ。

さらに、Image-to-image translation（画像間変換）と呼ばれる分野では、GANsの能力が特に際立っている。これにより、手書きのスケッチをリアルな3Dレンダリング画像に変換したり、白黒写真を自動でカラー化したり、抽象的なラベル画像から建物の詳細なファサード画像を生成したりすることが可能になる。画像の一部分が欠損している場合に、その欠損部分を自然に埋めて画像を修復するInpainting（インペインティング）技術や、人の顔画像を若返らせたり老化させたりするFace aging（顔の老化予測）もGANsによって実現されている。加えて、3Dオブジェクトの生成も可能になり、様々な角度からのビューを自動生成することで、リアルな仮想環境の構築にも貢献している。

このように、GANsはランダムなノイズから現実と見紛うばかりのデータを生成し、既存のデータを変換、補完、拡張する能力を持つ。二つのネットワークが互いに切磋琢磨する独特の学習メカニズムにより、その応用は画像生成にとどまらず、動画、音声、さらには3Dモデリングといった幅広い分野にわたっている。今後もGANsは、AIが創り出す世界において、その可能性をさらに広げていく重要な技術として注目され続けるだろう。