Generative Adversarial Networks (GANs): บทนำ [1]

เรียบเรียงโดย นพพณ เลิศชูวงศา

Generative Adversarial Networks (GANs) เป็นโครงข่ายด้านการเรียนรู้เชิงลึกอย่างหนึ่งที่สร้างการเปลี่ยนแปลงในสังคม   นำเสนอโดย Ian Goodfellow และคณะในปี 2014

การสร้างแบบจำลองแบบกำเนิด GANs ประกอบด้วยเครือข่ายประสาทเทียมสองเครือข่าย ได้แก่ เครือข่ายการสร้าง generator และเครือข่ายการแยกแยะ discriminator ซึ่งแข่งขันกันในเกมหรือสภาพแวดล้อมที่กำหนดขึ้นมา

เครือข่าย generator มีเป้าหมายเพื่อสร้างข้อมูลที่สมจริงที่ไม่มีใครสามารถแยกแยะได้  ในทางตรงกันข้ามเครือข่าย discriminator ก็พยายามแยกความแตกต่างระหว่างข้อมูลจริงและข้อมูลที่สร้างขึ้นมาจากเครือข่าย generator     กระบวนการเรียนรู้แบบปฏิปักษ์นี้ขับเคลื่อนให้ทั้งสองเครือข่ายพัฒนาขึ้นพร้อมกันและสร้างผลลัพธ์คุณภาพสูงในงานต่างๆ เช่น การสังเคราะห์ภาพ การสร้างวิดีโอ และการเพิ่มพูนข้อมูล

สาระสำคัญของ GANs อยู่ที่ความสามารถในการเรียนรู้การกระจายข้อมูลที่ซับซ้อน   เครือข่าย generator เริ่มต้นจากการป้อนสัญญาณรบกวนแบบสุ่มและค่อยๆ ปรับปรุงแปลงกลับจากสัญญาณสุ่มให้เลียนแบบข้อมูลจริง    ในขณะเดียวกัน เครือข่าย discriminator ได้รับการฝึกฝนให้แยกความแตกต่างระหว่างตัวอย่างจริงและตัวอย่างที่สร้างขึ้นจากเครือข่าย generatorอย่างต่อเนื่องเพื่อปรับปรุงผลลัพธ์ กระบวนการปฏิปักษ์นี้ดำเนินต่อไปจนกว่าข้อมูลที่สร้างขึ้นจะไม่สามารถแยกแยะได้จากข้อมูลจริงดังแสดงในรูปที่ 1

รูปที่ 1 เครือข่าย GAN

Applications of GANs (การประยุกต์ใช้งานของ GANs)

 GANs ได้แสดงให้เห็นถึงความอเนกประสงค์ในหลากหลายสาขา รวมถึง:

1. Image Synthesis (การสังเคราะห์ภาพ):
   1. GANs ถูกใช้อย่างแพร่หลายในการสร้างภาพถ่ายที่สมจริงสำหรับการใช้งานต่างๆ เช่น การสร้างเนื้อหาและการออกแบบ เครื่องมืออย่าง StyleGAN สร้างภาพคุณภาพสูงที่แทบจะแยกไม่ออกจากภาพจริง
2. Super-Resolution (การเพิ่มความละเอียดสูงในภาพ):
   1. GANs สามารถปรับปรุงภาพที่มีความละเอียดต่ำให้มีความละเอียดสูงในขณะที่ยังคงรักษารายละเอียดที่คมชัด สิ่งนี้มีการใช้งานในการถ่ายภาพทางการแพทย์ ภาพถ่ายดาวเทียม และความบันเทิง
3. Image-to-Image Translation (การแปลงภาพต่อภาพ):
   1. CycleGANs และ Pix2Pix ช่วยให้การแปลงระหว่างโดเมนของภาพ เช่น การเปลี่ยนภาพสเก็ตช์ให้เป็นภาพจริง การแปลงภาพกลางวันเป็นกลางคืน หรือการแปลงภาพถ่ายเป็นสไตล์ศิลปะ
4. Data Augmentation (การเพิ่มข้อมูล):
   1. GANs สร้างข้อมูลสังเคราะห์เพื่อเพิ่มชุดข้อมูล โดยเฉพาะอย่างยิ่งในสาขาต่างๆ เช่น การดูแลสุขภาพและการขับขี่อัตโนมัติ ซึ่งการเก็บรวบรวมข้อมูลทำได้ยาก ช้า มีค่าใช้จ่ายสูงหรือมีข้อจำกัด
5. Healthcare (การดูแลสุขภาพ):
   1. GANs ช่วยในการสร้างภาพทางการแพทย์สังเคราะห์สำหรับการฝึกอบรมแบบจำลองการวินิจฉัย การปรับปรุงการตรวจหาโรคหายากที่มีข้อมูลน้อย และการลดความท้าทายในการขาดแคลนข้อมูล
6. Art and Entertainment (ศิลปะและความบันเทิง):
   1. GANs อำนวยความสะดวกในการใช้งานเชิงสร้างสรรค์ รวมถึงการสร้างงานศิลปะ ภาพเคลื่อนไหว และแม้แต่ดนตรี พวกเขาช่วยให้ศิลปินสำรวจเส้นทางสร้างสรรค์ใหม่ๆ โดยนำเสนอเครื่องมืออัตโนมัติสำหรับนำเสนอแนวคิดและการออกแบบของศิลปิน

References
1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2014). Generative Adversarial Nets. In *Advances in Neural Information Processing Systems* (pp. 2672–2680).
2. Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative Adversarial Networks: An Overview. *IEEE Signal Processing Magazine*, 35(1), 53–65.
3. Nayak, A. A., Venugopala, P. S., & Ashwini, B. (2024). A Systematic Review on Generative Adversarial Network (GAN): Challenges and Future Directions. *Archives of Computational Methods in Engineering*, 31, 4739–4772.