前面讲过VAE和Flow-based以及diffusion Model ，今天讲最后一种经典的生成方法GAN。

GAN

前面讲的几种模型都是用加入额外资讯的方式，来补充文字叙述所缺失内容，让模型依据这个生成的noise生成图片，但是GAN跟这些的生成方式不太一样。
GAN的模型是这样的：

Discriminator

这个Discriminator，它负责根据输入的描述和对应的图片进行评价，如果符合就给高分，跟之前讲过的CLIP模型处理方式是一样的，

当然它要学习低分的情况，要不然它永远只会答高分了，在CLIP模型中，它是打乱图片和描述，clip模型就给低分。
而在GAN这里不太一样。GAN是把一个生成模型生成的图片，只要是它生成的，就给低分，直到生成模型能骗过Discriminator，让它误以为这是真实的图片，然后打高分，说白了，就是直到生成模型生成的图片能够把Discriminator骗到让他误以为这是原本真实的图片和描述。下面再来讲生成模型：

Generator

Generator 负责根据描述的输入，生成图片，这些生成的图片和描述输入给Discriminator后，Discriminator进行打分，Generator就是根据这个分数不断的调整参数，直到能够骗过它，让Discriminator打出高分。

在这个训练过程与其他模型有何不同？
Generator的生成并没有一个确切的正确答案，它要做的就是让另外一个模型打出高分，仅此而已，不需要根据真实的图片进行比对。实际上在训练过程中，Discriminator和Generator的训练是交替进行的。Discriminator 不断的让自己变厉害，Generator也不断的调整自己，Discriminator不断的提高识别能力，Generator不断的提升生成能力。

还需要加入额外信息么

其他三个模型在生成图片的时候都需要加入额外的信息来生成图片，那么GAN还需要么？
答案是不需要。虽然现在大部分论文中仍有加入额外信息的习惯，但是实践以后发现，即使没有，生成的效果也很不错。

GAN可以加在其他模型上面

实际上GAN是可以作为外挂，挂在其他模型上面，以加强其他模型的能力的，比如VAE+GAN，Flow+GAN , Diffusion+GAN

我们可以用影像生成模型做什么？

讲了这么多模型，我们可以用它做什么呢？有没有可能人类与模型做一些更深入的互动呢？
现在已经有人在做了，比如Genie，它可以输入图片，然后输入一个动作，从而生成下一张图片，进入下一个场景，然后人可以继续输入动作，继续操作，就像玩游戏的一幕幕一样，无限下去：

你可能也发现这部分训练的难度就在于影像可以获得，但是影像中对应的动作，我们并不清楚，这个就跟我们讲VAE的模型是同样的道理，我们可以做一个模型，用来获取这个可能的动作是什么：

这个动作抽取的模型就是用来抽取这个画面我们可能进行的操作，然后再去生成图片，我们最终的目标就是生成的图片跟输入的下一个画面是一致的，这是跟VAE一样的原理的

有了这样的模型，我们可以跟环境做更加深入的互动。比如输入一段影片，输入操作，它就会不断的变换场景，而这种场景是根据你的输入随时可以切换的。就像是赛车游戏，我们不再局限于设定好的道路，而是随处拍到的照片都可以了。