Multimodal Generative Adversarial Network

یک GAN استاندارد، مولد را در برابر تمایزدهنده قرار می‌دهد تا نمونه‌های واقع‌گرایانه تولید کند. در تنظیمات چندوجهی، مولد سیگنال‌هایی را از دو یا چند وجه به‌طور همزمان دریافت می‌کند — برای مثال، یک توصیف متنی و یک بردار نویز — و باید تصویری تولید کند که هم با توصیف و هم با توزیع تصویر واقعی مطابقت داشته باشد. تمایزدهنده نیز نه تنها بررسی می‌کند که آیا خروجی واقعی به نظر می‌رسد، بلکه آیا از نظر معنایی با وجه شرطی هم‌تراز است یا خیر. این فشار بین‌وجهی، شبکه را مجبور می‌کند تا یک فضای نمایش مشترک را یاد بگیرد که در آن انواع مختلف داده با هم منسجم می‌شوند.