5.1 图像生成与合成

5.1 图像生成与合成：最大宗的生意

图像生成是 GAN 最成熟的应用：无条件生成整图、条件合成按需出图、图像编辑改造既有素材，三类形态覆盖从素材生产到设计加工的完整链条。 本节按三类形态组织模型谱系与选型要点，并用一张质量阶梯图说明"能看"到"以假乱真"的距离是怎么一步步走完的。

应用现场第一站，也是博弈室最大的营收来源。第 1.4 节版图里它列在"支柱产业"首位，本节把它拆开看：三种生意模式各自的门道、代表模型与踩坑点。

三类形态的门道

图像生成三类形态与代表模型

无条件生成是博弈室的原始业务——StyleGAN 系在人脸数据上的产出已经能通过不少场景的肉眼检验。条件合成的商业价值更高：语义分割图转照片（虚拟场景生产）、类别条件生成（素材定制）。图像编辑则离设计师工作流最近：风格迁移、属性编辑、超分辨修复，用户拿自己的图进店，保结构改外观。

质量阶梯：从"能看"到"以假乱真"

三类形态共享同一条质量进化线。把这条线量化成"分辨率 × 可控性"双坐标，每一代模型在坐标上推进一格：DCGAN 把可用分辨率推到 64 且证明卷积路线成立；PGGAN 用渐进增长爬到 1024，代价是训练流程复杂；StyleGAN 在 1024 上做到属性级可控；BigGAN 在千类大战场上保住多样性（截断技巧拧保真与多样）。当前产业落地普遍停在 512~1024 分辨率加后处理精修的档位——更高的分辨率交给级联管线（先生成再超分），而不是一步到位。

用代码盘点一条产业管线的成本结构（以"语义图→城市场景照片"为例）：

# 一条两级管线的算力账（示意性估算, 数量级正确）
stages = [
    ("语义图→512照片(SPADE级)", "单次前向", "约 0.05 秒/图(消费级GPU)"),
    ("512→2048 超分精修",       "单次前向", "约 0.08 秒/图"),
]
total = 0
for name, mode, cost in stages:
    print(f"{name}: {mode}, {cost}")
# 输出:
# 语义图→512照片(SPADE级): 单次前向, 约 0.05 秒/图(消费级GPU)
# 512→2048 超分精修:       单次前向, 约 0.08 秒/图
# 批量一万张: 约 13 分钟——GAN 的速度优势(单次前向)在这类管线里是核心卖点
# 对照: 同等质量的扩散模型采样需数十步迭代, 单图时间高一个数量级
​

这笔速度账是 GAN 在应用现场最硬的护城河：实时预览、交互式编辑、批量流水线，都吃"单次前向"的速度红利（1.4 节版图里"退守地带"之外，这解释了它守得住的地盘）。

落地三坑与对策

坑一：训练数据的长尾。 无条件生成在数据丰富的类别（人脸、街景）表现好，在稀缺类别（罕见车型、特殊材质）上质量骤降。对策：先做条件化把稀缺类隔离出来单独训，或用迁移学习从大类模型微调。

坑二：评估与业务目标错位。 FID 低不等于业务可用——合成人脸 FID 很低但可能在"自然度"细节上翻车。对策：业务侧自建小规模人检协议（按 4.2 节守则固定样本量），FID 只当回归测试用。

坑三：版权与合规前置。 训练数据的来源合法性、生成物是否可商用，要在立项时过一遍（第 7.2 节专案）。图像合成是深度伪造风险的近亲，合规审查不是可选项。

💡 关键直觉：选 GAN 做图像生成，本质是在"速度 + 可控映射"与"训练难度 + 质量上限"之间做交换。速度要求不高的离线场景，先认真评估扩散模型再开工。

本节要点回顾

• 三类形态：无条件（素材库）、条件合成（按需定制）、图像编辑（精修改造），常串联成管线；
• 质量阶梯：DCGAN 可用 → PGGAN 高清 → StyleGAN 可控 → BigGAN 规模化，分辨率与可控性双坐标推进；
• 速度护城河：单次前向出图，级联管线万张图分钟级，实时场景仍是主场；
• 三坑：长尾类别、评估错位、合规前置，各有对应动作；
• 选型本质：用速度与映射换训练难度与上限，先想清楚业务吃不吃这两项红利。

三个落地场景走一遍

场景一：电商素材工厂。 需求：给数千 SKU 批量生成不同背景、光照的商品图。方案：条件合成打底（商品抠图作为条件，背景作为风格），编辑环节换背景与光影。要点：商品本身必须保真（编辑管线比无条件生成更合适），验收用"商品一致性人检"加背景多样性统计，FID 只做回归。坑：训练集若爬自竞品图库，版权链条先过法务（7.2 节）。

场景二：游戏头像生成器。 需求：玩家输入捏脸参数，实时看到成品。方案：条件生成（参数到图像），部署到端侧。要点：实时性是硬指标，单次前向的 GAN 正是主场；参数即条件，可控性由条件化保证。坑：捏脸参数的分布要提前审计，否则生成器在冷门参数组合区域质量崩坏（第 6.3 节长尾问题）。

场景三：老照片修复。 需求：划痕修复加合理补全。方案：编辑类管线（退化模型造训练对，修复网络学逆过程，感知损失加对抗精修）。要点：修复是"有依据的生成"，L1 类约束锁住未损坏区域，对抗只管补全区域的纹理。坑：过度生成会"编造"不存在的历史细节——文物修复场景要把生成区域显著标注。

常见问题

生成素材能商用吗？ 三个前提逐条过：训练数据许可允许生成物商用、生成物与训练集无近重复（可查重）、平台条款与当地法规（部分法域对纯生成内容有特殊标注要求）。三者缺一，法务风险敞口就在。

怎么快速估计一个生成任务的难度？ 看两个量：目标分布的模态丰富度（风格种类越多越难）与条件复杂度（条件到图像的映射越间接越难）。手写数字属于低难度的两端，人脸居中，开放场景文生图在高端。

案例展开：从Demo到上线的一段弯路

背景。某内容平台想用 GAN 生成配图插画，内部 Demo 阶段效果惊艳——固定几类风格、随机出图，设计同事都挑不出大毛病。决策层拍板三个月上线。

操作。上线前扩风格：从 Demo 的四类风格扩到三十类。团队沿用同一套无条件生成架构，每类单独训一个小模型。结果三十个模型的训练排期直接爆炸；勉强训完的一批里，样本量小的风格（插画素材天然稀缺）质量参差。

结果。复盘时算了两笔账：训练成本随风格数线性增长，而其中三分之二的风格调用量不足一成；样本稀缺风格的质量问题，正是 6.3 节长尾问题的现场版。最终方案改成条件合成单模型（风格标签做条件，3.3 节的路线），训练成本回到一次，冷门风格共享主流风格学到的底层结构，质量下限明显抬高。

解读。弯路的根源是把"Demo 能跑"当成了"架构合适"。Demo 隐藏了两个变量：规模（风格数）与数据分布（长短尾）。条件化架构天然吸收这两个变量——这正是它在本节三类形态里"商业价值最高"判断的实证注脚。

变式。如果风格间差异极大（漫画与照片级渲染），单条件模型可能互相拖累，这时混合方案更稳：大类各一个模型、大类内用条件分风格。架构选择没有一劳永逸，跟着数据分布走。