GANの仕組み：偽造者と鑑定士の競争で画像が上手くなる｜生成AIのしくみ 第9回

学習の流れ：いたちごっこを交互に進める

GANの学習は、識別器と生成器の訓練を交互に繰り返します。

1. 識別器の番：本物の画像（ラベル「本物」）と、生成器がつくった画像（ラベル「偽物」）を見せ、正しく見分けられるように識別器の重みを直す
2. 生成器の番：生成器に画像をつくらせ、識別器に判定させる。識別器が「本物」と言う確率が上がる方向に、生成器の重みを直す（識別器の重みはこのとき固定）
3. 1と2を何万回も繰り返す

第2回で見た誤差逆伝播が、ここでも活躍します。生成器の番では、識別器の判定結果から、識別器の中を逆にたどり、さらに生成器の中までさかのぼって、「どの重みをどう直せば、識別器をだましやすくなるか」を計算します。識別器は、生成器にとっての「先生」の役割も果たしているわけです。

理想的には、この競争の末に、生成器は本物と区別できない画像をつくれるようになり、識別器は本物か偽物かを五分五分でしか当てられなくなります。これが、元の論文で示された理論上のゴールです。

GANの難しさ：バランスが崩れやすい競争

GANのアイデアはシンプルですが、実際に学習させるのは難しいことで知られていました。偽造者と鑑定士の力関係が崩れると、競争がうまく進まないからです。

問題1：学習の不安定さ

• 鑑定士が強すぎる：識別器が序盤から偽物を簡単に見破れるようになると、生成器には「全部だめ」という反応しか返ってこず、どちらに直せばよいかの手がかりが得られなくなる（学習が進まない）
• 偽造者が一時的に勝つ：生成器が識別器の弱点を突く画像ばかりつくると、識別器がそれに対応し、今度は生成器が別の弱点を探す……と、行ったり来たりを続けて落ち着かない

第2回で見た通常の学習は「1つの損失を下げる」坂下りでしたが、GANは「2人が互いに相手を出し抜こうとする」ゲームです。片方が下がると片方が上がる関係のため、坂を素直に下るようには進みません。

問題2：モード崩壊

もう1つの代表的な問題が「モード崩壊（mode collapse）」です。生成器が、識別器をだませる特定の種類の画像ばかりをつくるようになり、多様性が失われる現象です。

たとえば、0〜9の手書き数字を学習させたのに、生成器が「1」ばかりを出すようになる、といったことが起こります。「1」で識別器をだませるなら、わざわざ難しい「8」を描く必要がないからです。偽造者が、一番バレにくい1種類の偽札ばかり刷るようなものです。

もう一歩深く
モード崩壊や不安定さへの対策として、多くの改良が提案されました。代表例が2017年の「WGAN（Wasserstein GAN）」です。識別器に「本物か偽物か」を二択で答えさせる代わりに、本物の分布と偽物の分布の「ずれの大きさ」を測る役をさせることで、生成器に、より安定した学習の手がかりを与えようとしました。ほかにも、識別器の重みの変化を抑える工夫（スペクトル正規化）など、学習を安定させる技術が次々に生まれました。

GANの進化：主な改良の流れ

難しさを抱えながらも、GANは2010年代後半に急速に進化しました。主な流れを表にまとめます。

StyleGANと「この人物は存在しません」

NVIDIAの研究者らが発表したStyleGAN（2018年〜）は、生成した顔写真の品質で世界を驚かせました。生成器の中で、「大まかな構図（顔の向きや輪郭）」「中くらいの特徴（髪型や目の形）」「細かい質感（肌のきめや髪の毛の流れ）」を段階的に注入する設計で、それぞれを別々に操作できるようにしたのが特徴です。

その結果、実在しない人物の顔写真が、人の目では本物と区別がつきにくい品質で生成できるようになりました。これは技術の大きな成果であると同時に、偽の人物プロフィールや、本人になりすました画像（ディープフェイク）への悪用という、新しい社会問題を浮かび上がらせることにもなりました（第12回で扱います）。

よくある誤解：GANはもう使われていない古い技術

テキストから画像をつくる用途では、拡散モデルが主流になりました。しかし、GANは生成が1回の計算で済み高速なため、画像の高解像度化、画像の変換、リアルタイムの処理などで、現在も使われる場面があります。また、拡散モデルの生成を速くする研究に、GANの「識別器で本物らしさを鍛える」考え方が取り入れられることもあります。GANの発想は、形を変えて生き続けています。

この記事の監修者に相談できます

監修者の田中磨生が代表を務める株式会社Abinで、ご相談をお受けしています。

相談無料ツギノテ編集部に相談する→

なぜ拡散モデルに主役が移ったのか

2020年ごろから、画像生成の主役は拡散モデルへ移っていきました。比べると、次のような違いがあります。

特に「学習が安定していて、多様性を保ちやすい」点が、大量の多様なデータで大規模なモデルを学習させる流れに合っていました。そして、言葉で細かく指定できることが、一般の人にも使いやすい画像生成AIの普及につながりました。

実務ではこう使う：GANの知識が役立つ場面

• 画像の高解像度化・補正ツール：古い写真の補正や拡大などで、GAN系の技術が使われていることがあります。仕組みとして「もっともらしい細部を描き足している」ことを理解しておくと、証拠写真など、正確さが求められる用途には使わない、といった判断ができます。
• ディープフェイクへの備え：顔写真や動画は、本物そっくりに生成できる時代です。取引先の本人確認や、SNSで拡散される画像の真偽については、画像だけで判断しない運用が必要です。
• 合成データ：個人情報を含む実データの代わりに、生成した疑似データでAIを学習させる研究や取り組みもあります。

画像や動画の生成ツールを業務で選ぶ際は、AI動画生成ツールのおすすめ比較も参考になります。

この回のまとめ

• GANは、生成器（偽造者）と識別器（鑑定士）を競わせ、交互に学習させる仕組み。生成器は識別器の判定を手がかりに腕を上げる。
• 競争のバランスが崩れやすく、学習の不安定さや、同じような画像ばかり出るモード崩壊が課題だった。
• DCGAN、pix2pix、CycleGAN、StyleGANなどの改良で、画像変換や、本物と見分けにくい顔画像の生成が可能になった。
• 安定性・多様性・言葉での指定のしやすさから、主役は拡散モデルに移ったが、GANの発想は高速化や画像処理で生き続けている。

確認テスト

次回予告

第10回では、現在の画像生成AIの主役、拡散モデルを詳しく見ていきます。ノイズから絵が少しずつ浮かび上がる仕組みと、「夕暮れの海辺を歩く犬」という言葉をどうやって画像に反映させるのか。CLIPやプロンプトの効き方まで、順番に理解しましょう。

参考資料

• Goodfellow, I. et al. “Generative Adversarial Networks.” arXiv:1406.2661, 2014.（確認日：2026年11月12日）
• Radford, A., Metz, L., Chintala, S. “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.”（DCGAN）arXiv:1511.06434, 2015.（確認日：2026年11月12日）
• Isola, P. et al. “Image-to-Image Translation with Conditional Adversarial Networks.”（pix2pix）arXiv:1611.07004, 2016.（確認日：2026年11月12日）
• Zhu, J.-Y. et al. “Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks.”（CycleGAN）arXiv:1703.10593, 2017.（確認日：2026年11月12日）
• Arjovsky, M., Chintala, S., Bottou, L. “Wasserstein GAN.” arXiv:1701.07875, 2017.（確認日：2026年11月12日）
• Karras, T. et al. “Progressive Growing of GANs for Improved Quality, Stability, and Variation.” arXiv:1710.10196, 2017.（確認日：2026年11月12日）
• Karras, T., Laine, S., Aila, T. “A Style-Based Generator Architecture for Generative Adversarial Networks.”（StyleGAN）arXiv:1812.04948, 2018.（確認日：2026年11月12日）
• Brock, A., Donahue, J., Simonyan, K. “Large Scale GAN Training for High Fidelity Natural Image Synthesis.”（BigGAN）arXiv:1809.11096, 2018.（確認日：2026年11月12日）