Vector Quantized Generative Adversarial Network (VQGAN) adalah jenis model kecerdasan buatan (AI) yang menggunakan kemajuan dalam pembelajaran mendalam untuk menghasilkan gambar berkualitas tinggi. VQGAN dikembangkan oleh para peneliti di Google Brain sebagai perpanjangan dari Generative Adversarial Networks (GANs), dan didasarkan pada kombinasi dua algoritma pembelajaran mendalam yang berbeda: Variational Autoencoders (VAEs), dan Vector Quantization (VQ).
VAE digunakan untuk menyandikan gambar asli menjadi representasi yang lebih kecil, yang kemudian dikompresi menggunakan algoritma VQ. Model VQ telah diusulkan sebagai cara untuk memperkecil ukuran gambar tanpa mengorbankan kualitasnya, dan sangat berguna untuk tugas pemrosesan gambar. VQGAN menggabungkan kekuatan VAE dan VQ dalam desain GAN yang arsitektur generatifnya mampu menghasilkan gambar yang lebih realistis.
VQGAN memanfaatkan beberapa komponen utama arsitektur GAN. Seperti pelatihan adversarial, dimana pada model generator menggunakan feedback model diskriminator dan feedback dari kumpulan data untuk meningkatkan kualitas gambar yang dihasilkan. Model VQGAN juga mampu melihat data dalam berbagai skala dan dengan memanfaatkan representasi yang dipelajari, model ini mampu mencapai resolusi atau detail halus sekaligus mengidentifikasi pola global.
Aplikasi praktis VQGAN berkisar dari manipulasi dan sintesis gambar hingga pencitraan medis, pengeditan video, dan desain industri. Karena kemampuannya menghasilkan gambar realistis dan berkualitas tinggi, VQGAN telah mendapatkan reputasi sebagai salah satu arsitektur GAN terkuat dan sering digunakan oleh para peneliti di bidang AI.
