GAN 面试题解析

如何将 GAN 应用到检测分割中以提升性能？

把 GAN 用到检测分割中，核心是让生成器补充样本、域迁移或生成更难的视觉场景，再用检测分割任务损失和对抗损失共同约束，避免只追求图片逼真。

GAN 的训练要注意什么？

GAN 训练要重点关注生成器和判别器的平衡、模式崩溃、梯度不稳定、损失解释困难和样本质量评估，不能只看 loss 是否下降。

同题还出现在 1 个公司岗位

AIGC 图像生成中 GAN 和 Diffusion Model 的训练目标、生成过程和优劣势有什么区别？

这题考的是能否从训练目标、推理路径、质量多样性、稳定性、可控性和成本把 GAN 与 Diffusion Model 讲成两类生成范式，而不是只背“GAN 快、Diffusion 好”。

做人脸 AIGC 反欺诈时，如何利用 GAN、Stable Diffusion 原理理解伪造样本生成和检测思路？

这题考的是能否把 GAN、Stable Diffusion 的生成机制转成反欺诈检测思路：既要懂伪造样本怎么来，也要能从人脸一致性、活体线索、频域纹理、阈值和对抗更新讲出可落地的检测闭环。

StyleGAN 相比普通 GAN 做了哪些结构改进，mapping network、style modulation / AdaIN、噪声注入等分别解决什么问题？

这题考的是能否从生成器结构角度解释 StyleGAN：它把潜变量先映射到更可解耦的中间空间，再用逐层风格调制控制语义尺度，用噪声注入补充随机细节。

CycleGAN 如何用无配对数据做图像风格迁移，循环一致性损失为什么关键？

这题考的是能否说明 CycleGAN 为什么不需要成对样本：它用两个方向的生成器和判别器匹配目标域分布，再用循环一致性约束保留原图内容，避免任意映射。