GAN (Réseaux Antagonistes Génératifs)
Système où deux réseaux (générateur et discriminateur) s'affrontent pour produire des données synthétiques ultra-réalistes.
Un GAN repose sur une idée simple : apprendre à générer des données qui ressemblent à des données réelles (images, audio, texte), sans les recopier. Il combine deux réseaux de neurones entraînés ensemble dans une sorte de “jeu” compétitif.
Comment ça marche
- Le générateur produit des échantillons synthétiques à partir d’un bruit aléatoire (et parfois d’une condition, comme une classe ou une description).
- Le discriminateur reçoit à la fois des exemples réels et des exemples générés, puis tente de prédire s’ils sont “vrais” ou “faux”.
Pendant l’entraînement, le générateur s’améliore pour tromper le discriminateur, et le discriminateur s’améliore pour détecter les faux. Cette boucle pousse progressivement le générateur à produire des sorties de plus en plus plausibles.
À quoi ça sert
Les GAN sont utilisés pour :
- Synthèse d’images réalistes (visages, objets, textures)
- Augmentation de données pour enrichir des jeux d’entraînement
- Traduction d’images (style transfer, jour↔nuit, croquis↔photo)
- Super-résolution (amélioration de la netteté)
Points d’attention
L’entraînement peut être instable (effondrement de mode, déséquilibre entre réseaux) et demande souvent un réglage fin des hyperparamètres.