Общество и наука: векторы развития

В сборнике представлены статьи участников Всероссийской научно-практической конференции с международным участием, посвященные актуальным вопросам науки и образования. В материалах сборника приведены результаты теоретических и прикладных изысканий представителей научного и образовательного сообщества в данной области. Статьи представлены в авторской редакции.

 Кожанов Виктор Иванович sportkomplex.chgu@yandex.ru executive_editor Яковлева Татьяна Валериановна info@interactive-plus.ru Кожанов Виктор Иванович Радина Оксана Ивановна Краснова Светлана Гурьевна Сорокоумова Галина Вениаминовна https://orcid.org/0000-0002-5246-5200 Общество и наука: векторы развития Society and Science: Future Development 04 06 2026 Чебоксары Центр научного сотрудничества «Интерактив плюс» 1900 © 2026 Замараева К. В. 2026 Замараева К. В. Это произведение доступно по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) 598784 Эволюция генеративно-состязательных сетей: от дивергенции Йенсена–Шеннона к равновесию Нэша и R3GAN Замараева Ксения Владимировна ksushazamaraeva@gmail.com ФГБОУ ВО «Саратовский государственный технический университет им. Гагарина Ю.А.» Россия

в статье рассматривается эволюция генеративно-состязательных сетей (GAN) – от классической формулировки с кросс-энтропийной функцией потерь до современных архитектур (StyleGAN3, ESRGAN, CycleGAN, R3GAN). Анализируются математические основы обучения как минимаксной игры, проблема сходимости и исчезающих градиентов, а также способы её преодоления: альтернативные дивергенции (Вассерштейн, хи-квадрат, hinge loss), методы регуляризации (градиентный штраф, R1, спектральная нормализация) и асимметричные правила обновления (TTUR). Отдельное внимание уделяется новой модели R3GAN (2024), которая демонстрирует качество, сопоставимое с диффузионными моделями, при сохранении высокой производительности. Показано, что GAN остаются востребованными в задачах синтеза изображений, суперразрешения, циклического переноса стиля и генерации по семантическим картам.

 генеративно-состязательные сети (GAN) дивергенция Йенсена-Шеннона расстояние Вассерштейна TTUR градиентный штраф R3GAN StyleGAN ESRGAN CycleGAN GauGAN References Generative Adversarial Nets / I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio // Advances in Neural Information Processing Systems 27 (NIPS 2014). – Montreal, Canada, 2014. – P. 2672–2680. Goodfellow I. Pouget-Abadie J. Mirza M. Warde-Farley D. Ozair S. Courville A. Bengio Y. Generative Adversarial Nets Advances in Neural Information Processing Systems 27 (NIPS 2014) 2014 2672 2680 Arjovsky M. Wasserstein GAN / M. Arjovsky, S. Chintala, L. Bottou // Proceedings of the 34th International Conference on Machine Learning (ICML 2017). – Sydney, Australia, 2017. – Vol. 70. – P. 214–223. Arjovsky M. Chintala S. Bottou L. Wasserstein GAN Proceedings of the 34th International Conference on Machine Learning (ICML 2017) 2017 70 214 223 Improved Training of Wasserstein GANs / I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, A. Courville // Advances in Neural Information Processing Systems 30 (NIPS 2017). – Long Beach, CA, USA, 2017. – P. 5767–5777. Gulrajani I. Ahmed F. Arjovsky M. Dumoulin V. Courville A. Improved Training of Wasserstein GANs Advances in Neural Information Processing Systems 30 (NIPS 2017) 2017 5767 5777 GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium / M. Heusel, H. Ramsauer, T. Unterthiner, B. Nessler, S. Hochreiter // Advances in Neural Information Processing Systems 30 (NIPS 2017). – Long Beach, CA, USA, 2017. – P. 6626–6637. EDN YEBPDF Heusel M. Ramsauer H. Unterthiner T. Nessler B. Hochreiter S. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium Advances in Neural Information Processing Systems 30 (NIPS 2017) 2017 6626 6637 YEBPDF Alias-Free Generative Adversarial Networks (StyleGAN3) / T. Karras, M. Aittala, S. Laine, E. Härkönen, J. Hellsten, J. Lehtinen, T. Aila // Advances in Neural Information Processing Systems 34 (NeurIPS 2021). – Virtual Conference, 2021. – Vol. 34. – P. 852–863. – URL: https://arxiv.org/abs/2106.12423 (дата обращения: 13.05.2026). EDN GZMUMN Karras T. Aittala M. Laine S. Härkönen E. Hellsten J. Lehtinen J. Aila T. Alias-Free Generative Adversarial Networks (StyleGAN3) Advances in Neural Information Processing Systems 34 (NeurIPS 2021) 2021 34 852 863 GZMUMN https://arxiv.org/abs/2106.12423 ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks / X. Wang, K. Yu, S. Wu, J. Gu, Y. Liu, C. Dong, Y. Qiao, C.C. Loy // Proceedings of the European Conference on Computer Vision (ECCV 2018) Workshops. – Munich, Germany, 2018. – P. 63–79. – DOI: 10.1007/978-3-030-11021-5_5. Wang X. Liu Y. Dong C. Qiao Y. Loy C. C. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks Proceedings of the European Conference on Computer Vision (ECCV 2018) Workshops 2018 63 79 10.1007/978-3-030-11021-5_5 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks / J.-Y. Zhu, T. Park, P. Isola, A.A. Efros // Proceedings of the IEEE International Conference on Computer Vision (ICCV 2017). – Venice, Italy, 2017. – P. 2223–2232. DOI 10.1109/ICCV.2017.244. EDN YEMKYH Park T. Isola P. Efros A. A. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Proceedings of the IEEE International Conference on Computer Vision (ICCV 2017) 2017 2223 2232 10.1109/ICCV.2017.244 YEMKYH Semantic Image Synthesis with Spatially-Adaptive Normalization / T. Park, M.-Y. Liu, T.-C. Wang, J.-Y. Zhu // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2019). – Long Beach, CA, USA, 2019. – P. 2337–2346. – URL: https://github.com/NVlabs/SPADE (дата обращения: 13.05.2026). Park T. Semantic Image Synthesis with Spatially-Adaptive Normalization Proceedings of the IEEE 2019 2337 2346 https://github.com/NVlabs/SPADE Spectral Normalization for Generative Adversarial Networks / T. Miyato, T. Kataoka, M. Koyama, Y. Yoshida // 6th International Conference on Learning Representations (ICLR 2018). – Vancouver, Canada, 2018. – URL: https://arxiv.org/abs/1802.05957 (дата обращения: 13.05.2026). Miyato T. Kataoka T. Koyama M. Yoshida Y. Spectral Normalization for Generative Adversarial Networks 6th International Conference on Learning Representations (ICLR 2018) 2018 https://arxiv.org/abs/1802.05957 R3GAN: Regularized Relativistic GANs Achieve Diffusion-Level Quality (Brown University / Cornell University Technical Report) / A. Sauer, T. Karras, S. Laine, A. Geiger, T. Aila. – 2024. – URL: https://arxiv.org/abs/2412.10243 (дата обращения: 13.05.2026). R3GAN: Regularized Relativistic GANs Achieve Diffusion-Level Quality (Brown University https://arxiv.org/abs/2412.10243