Vector Quantized Generative Adversarial Network (VQGAN) เป็นโมเดลปัญญาประดิษฐ์ (AI) ประเภทหนึ่งซึ่งใช้ความก้าวหน้าในการเรียนรู้เชิงลึกเพื่อสร้างภาพคุณภาพสูง VQGAN ได้รับการพัฒนาโดยนักวิจัยที่ Google Brain เพื่อเป็นส่วนขยายของ Generative Adversarial Networks (GANs) และอยู่บนพื้นฐานของการรวมกันของอัลกอริธึมการเรียนรู้เชิงลึกที่แตกต่างกันสองแบบ: Variational Autoencoders (VAEs) และ Vector Quantization (VQ)
VAE ใช้เพื่อเข้ารหัสภาพต้นฉบับให้มีขนาดเล็กลง ซึ่งจากนั้นจะถูกบีบอัดโดยใช้อัลกอริธึม VQ โมเดล VQ ได้รับการเสนอเพื่อลดขนาดของภาพโดยไม่ทำให้คุณภาพลดลง และมีประโยชน์อย่างยิ่งสำหรับงานการประมวลผลภาพ VQGAN ผสมผสานจุดแข็งของทั้ง VAE และ VQ ในการออกแบบ GAN ซึ่งมีสถาปัตยกรรมกำเนิดที่สามารถสร้างภาพที่สมจริงยิ่งขึ้น
VQGAN ใช้ประโยชน์จากองค์ประกอบหลักหลายประการของสถาปัตยกรรม GAN เช่น การฝึกอบรมฝ่ายตรงข้าม โดยที่โมเดลตัวสร้างจะใช้คำติชมและคำติชมของโมเดลแบ่งแยกจากชุดข้อมูลเพื่อปรับปรุงคุณภาพของรูปภาพที่สร้างขึ้น โมเดล VQGAN ยังสามารถดูข้อมูลได้หลายระดับ และด้วยการใช้ประโยชน์จากการนำเสนอที่เรียนรู้ ทำให้สามารถบรรลุความละเอียดหรือรายละเอียดเล็กๆ น้อยๆ ในขณะเดียวกันก็ระบุรูปแบบทั่วโลกได้ด้วย
การใช้งานจริงของ VQGAN มีตั้งแต่การปรับแต่งและการสังเคราะห์ภาพ ไปจนถึงการสร้างภาพทางการแพทย์ การตัดต่อวิดีโอ และการออกแบบอุตสาหกรรม เนื่องจากความสามารถในการสร้างภาพที่สมจริงและมีคุณภาพสูง VQGAN จึงได้รับชื่อเสียงว่าเป็นหนึ่งในสถาปัตยกรรม GAN ที่ทรงพลังที่สุด และมักถูกใช้โดยนักวิจัยในสาขา AI
