Obrazy generowane przez sztuczną inteligencję ( Artificial Intelligence ) , zwane również obrazami generatywnymi lub generatywnymi modelami graficznymi, to obrazy stworzone przez algorytmy uczenia maszynowego. Te algorytmy uczą się na podstawie zbiorów danych, a następnie generują nowe obrazy, które naśladują styl i tematykę tych danych.
Technologie generowania obrazów przez sztuczną inteligencję są stosowane w różnych dziedzinach, w tym w sztuce, projektowaniu, rozrywce i marketingu. Dzięki tym algorytmom, można stworzyć obrazy, które wyglądają jak prawdziwe fotografie, ale również abstrakcyjne dzieła sztuki.
Proces generowania obrazów przez sztuczną inteligencję zazwyczaj zaczyna się od utworzenia losowych wektorów lub losowego szumu, które następnie są podawane na wejście do modelu generatywnego. Model ten używa swojej wiedzy z danego zbioru danych, aby przetworzyć wektor wejściowy na obraz, który reprezentuje podobne cechy i style, jakie posiadał zbiór danych.
Wraz z rozwojem sztucznej inteligencji i uczenia maszynowego, modele generowania obrazów stają się coraz bardziej zaawansowane i potrafią produkować coraz bardziej realistyczne obrazy. Jednak nadal pozostaje wiele wyzwań związanych z kontrolowaniem procesu generowania obrazów, tak aby wynik był pożądany i zgodny z oczekiwaniami użytkowników.

Model generatywny  to rodzaj algorytmu uczenia maszynowego, który jest zdolny do generowania nowych przykładów danych, które są podobne do tych, na których został wytrenowany. Innymi słowy, model generatywny tworzy nowe próbki danych na podstawie wcześniej nauczonego wzorca.
Model generatywny może być stosowany w różnych dziedzinach, takich jak przetwarzanie języka naturalnego, przetwarzanie obrazów, muzyki czy również do generowania tekstu i obrazów.
Proces uczenia modelu generatywnego zwykle polega na nauczeniu modelu rozkładu prawdopodobieństwa, który opisuje zależności pomiędzy wejściem a wyjściem. Model ten może następnie wykorzystać ten rozkład, aby generować nowe przykłady danych.
Na przykład, model generatywny dla obrazów może zostać wytrenowany na zbiorze danych, takich jak zdjęcia ludzi lub krajobrazy. Model ten może następnie generować nowe obrazy, które wyglądają jak prawdziwe zdjęcia ludzi lub krajobrazy, ale nie występowały w zbiorze danych pierwotnych.
Jednym z najpopularniejszych przykładów modeli generatywnych jest sieć neuronowa GAN (Generative Adversarial Network), która składa się z dwóch modeli: generatora i dyskryminatora. Generator tworzy nowe przykłady danych, a dyskryminator ocenia, czy te przykłady są rzeczywiście prawdziwe czy fałszywe. Proces trenowania sieci GAN polega na poprawianiu obu modeli, aby generator produkował coraz bardziej realistyczne przykłady, a dyskryminator stawał się coraz lepszy w ich rozróżnianiu.

W uproszczeniu:
Model generatywny to rodzaj programu, który potrafi tworzyć nowe rzeczy, np. obrazy, na podstawie rzeczy, które już widział. To tak, jakby model generatywny umiał rysować obrazy na podstawie innych obrazów, które już widział.
Na przykład, gdy model generatywny uczy się rysować kwiaty, to potem może użyć tego, co już nauczył się o kwiatach, żeby stworzyć nowe obrazy kwiatów, które jeszcze nie istnieją. Podobnie jak dziecko, które nauczyło się rysować kwiaty i może teraz tworzyć nowe, wymyślone kwiaty, na podstawie swojej wiedzy na temat prawdziwych kwiatów. 

Przykłady obrazów generowanych przez sztuczną inteligencję: