原始 GAN 中的判别器是回归器

不，它是一个分类器。它将图像分类为“真实”或“假”，输出通常是图像是“真实”的概率（如果您更改生成器训练以匹配，您可以将其反转并使用生成的图像作为目标类）。

大多数（高级或）当代 GAN 都是真的吗？

在 WGAN 中，W 代表 Wasserstein，这些 GAN 使用 Wassersten 损失，它测量真实图像和假图像之间的“真实性”距离。这种真实性度量是一个回归问题，需要注意的是，对于您可以单独训练的任何图像，都没有真实的真实性度量。与经典 GAN 的鉴别器作用相同的critic 的架构与用于回归的神经网络相同。

一般来说，如果您看到术语“鉴别器”，您可以假设正在使用分类器。如果您看到“批评家”一词，则可以假设一个回归器。这可能不适用于关于 GAN 的所有出版物，因为一些作者可能会松散地使用这些术语，但如果您正在阅读原始论文或从课程中学习，则可以预期。

据我所知，产生最先进结果的StyleGAN2使用标准的鉴别器/分类器设置。鉴别器中还有许多其他架构细节有助于 GAN 的性能。从链接的 Github 实现中，有一个链接到描述这些的论文。