Generative Adversarial Networks (GANs)

Generative Adversarial Networks sind eine Klasse von Deep-Learning-Modellen, die aus zwei neuronalen Netzen bestehen, einem Generator und einem Diskriminator, die in einem kompetitiven Prozess gleichzeitig trainiert werden. Der Generator erzeugt synthetische Datenproben, während der Diskriminator versucht, echte von generierten Daten zu unterscheiden. Durch dieses gegnerische Training lernt der Generator, zunehmend realistische Ausgaben zu erzeugen, die der Diskriminator nicht mehr von echten Daten unterscheiden kann. Dieses elegante Konzept, das 2014 von Ian Goodfellow eingeführt wurde, hat sich zu einem der einflussreichsten generativen Modellierungsansätze im Deep Learning entwickelt.

GANs finden zahlreiche Anwendungen in der Geoinformatik. Super-Resolution-GANs verbessern die räumliche Auflösung von Satellitenbildern und erzeugen realistische hochauflösende Details aus niedrig aufgelösten Eingaben. Cloud-Removal-GANs rekonstruieren die Erdoberfläche unter wolkenbedeckten Regionen in optischen Satellitenbildern anhand gelernter Vorkenntnisse über Oberflächenmuster. Data-Augmentation-GANs erzeugen synthetische Trainingsproben für seltene Landbedeckungsklassen und beheben so Klassenungleichgewichte bei der Klassifikation von Satellitenbildern. Style-Transfer-GANs übersetzen zwischen verschiedenen Sensortypen, etwa indem sie aus SARSARSynthetic Aperture Radar (SAR) is an active remote sensing technology that uses microwave radar pulses to create high...-Daten optisch anmutende Bilder erzeugen oder saisonale Erscheinungsbilder umwandeln. Map-Generation-GANs erzeugen realistische kartografische Ausgaben aus Satellitenbildern oder Geländedaten.

Das Training von GANs gilt als notorisch instabil, leidet unter Mode Collapse, bei dem der Generator nur eine begrenzte Vielfalt erzeugt, und erfordert eine sorgfältige Abstimmung der Hyperparameter. Generierte Satellitenbilder mögen visuell überzeugend wirken, können aber Artefakte oder halluzinierte Merkmale enthalten, die in der Realität nicht existieren, was bei Anwendungen mit hohen Ansprüchen an wissenschaftliche Genauigkeit ein ernstzunehmendes Problem darstellt. Die Validierung von Qualität und Genauigkeit GAN-generierter geospatialer Daten erfordert spezialisierte Metriken, die über eine rein visuelle Prüfung hinausgehen. Diffusionsmodelle haben sich in jüngerer Zeit als konkurrenzfähige Alternative zu GANs etabliert und liefern häufig qualitativ hochwertigere Ergebnisse bei stabilerer Trainingsdynamik.