對抗損失

對抗損失是生成器對判別器這場賽局的計分板——是兩個網路朝相反方向拉扯的那單一目標。它的決定性特徵在於它是學習而來的，而非固定的：生成器的「損失」不是用手寫公式（如像素誤差）把生成影像與目標相比，而是「我把當前的判別器騙得多漂亮？」，判別器的損失則是「我把贗品抓得多好？」。由於裁判不斷進步，損失地景也不斷變動。

標準的對抗損失是真／假分類的二元交叉熵：判別器最大化「對真實 x 取期望值的 log D(x)」加上「對 z 取期望值的 log(1 − D(G(z)))」，而生成器最小化同一式子（它只掌控第二項）。在判別器的最佳處，這驅使生成器最小化真實分布與生成分布之間的 Jensen–Shannon 散度。如同生成器一節所述，最小化形式 log(1 − D(G(z))) 在贗品容易被抓時會飽和，因此非飽和變體改讓生成器最大化 log D(G(z))——固定點相同，但早期梯度好得多。

許多變體在保留對抗結構的同時更換損失函數。最小平方 GAN（least-squares GAN）以對標籤的平方誤差取代交叉熵（懲罰遠離決策邊界的樣本，減少梯度消失）。鉸鏈損失（hinge loss，用於 SAGAN 與 BigGAN）採用基於間隔（margin）的項。Wasserstein 損失則完全捨棄 log／sigmoid，在 Lipschitz 約束下使用原始的評論者分數差 E[D(真)] − E[D(假)]，給出更平滑、更有意義且與樣本品質相關的損失。在影像轉換模型中，對抗損失通常會與一個非對抗項結合——pix2pix 的像素 L1、CycleGAN 的循環一致性——好讓「逼真」與「忠於輸入」彼此平衡。