GAN (Generative Adversarial Network)

Les GANs (Generative Adversarial Networks, Goodfellow et al. 2014) sont une architecture de modèle génératif où deux réseaux neuraux s'entraînent en compétition : (1) **Generator** — tente de produire data synthétique réaliste depuis bruit aléatoire ; (2) **Discriminator** — tente de distinguer real data vs generated. Training adversarial : generator s'améliore à tromper discriminator, discriminator s'améliore à détecter — équilibre Nash idéal génère samples high-quality.

Évolution : (1) **DCGAN** (2015) — conv layers pour images ; (2) **Progressive GAN** (NVIDIA 2017) — progressive resolution growth ; (3) **StyleGAN** (NVIDIA 2018) v1/v2/v3 — état de l'art faces photoreal pendant années (thispersondoesnotexist.com) ; (4) **CycleGAN** — image translation unpaired (horses ↔ zebras) ; (5) **Pix2Pix** — paired image translation ; (6) **BigGAN** ; (7) **GANs spécialisés** : faces, art, satellite imagery, medical.

Défis : (1) **Training instability** — mode collapse (generator produces limited variety), discriminator dominance, vanishing gradients ; (2) **Hyperparameter sensitivity** ; (3) **Evaluation difficile** — pas de likelihood loss interprétable ; (4) Less diverse generation que diffusion ; (5) Long training time.

Déclin face aux Diffusion Models : depuis 2022, diffusion models (Stable Diffusion, DALL-E, Midjourney) ont surpassé GANs pour text-to-image generation grâce à meilleure stability, diversité, controlability via text conditioning. GANs restent pertinents pour : (1) ultra-low latency single-step generation (Diffusion models slow even with optimizations) ; (2) tâches spécialisées (super-resolution Real-ESRGAN, GFPGAN face restoration) ; (3) StyleGAN pour manipulation latent space précis ; (4) niches médicales, scientifiques.

Use cases historiques : deepfakes (DeepFaceLab, FaceSwap — controversial), art génératif, super-resolution, image inpainting, data augmentation. Compétences PMLE, AI-102.