经典生成对抗网络之 Conditional GAN

【概述】

原始 GAN 过于自由，训练会很容易失去方向，从而导致不稳定又效果差

Mehdi Mirza 于 2014 年提出了条件生成对抗网络（Conditional Generative Adversarial Networks，Conditional GAN），其在生成器和判别器的输入中增加了额外的先验条件信息，生成器生成的图片只有足够真实且与条件相符，才能够通过判别器，从而使得生成器更加可控

Conditional GAN 的原论文比较短，主要是想法的阐述，对于具体的实现方式并没有做太多限定

【基本思路】

模型结构

对于模型结构来说，其在生成器 G 和判别器 D 中都引入了额外信息 $y$ 作为一个额外的输入层，$y$ 可以是类别标签，或者是其他模态的数据

训练过程

Conditional GAN 的训练过程同一般的 GAN 类似，也是先训练判别器，再训练生成器，两个网络不断交替训练，只是训练判别器的样本稍有不同，训练判别器的时候需要三种样本：

1. 条件、与条件相符的真实图片：期望输出为 $1$
2. 条件、与条件不符的真实图片：期望输出为 $0$
3. 条件、生成器的输出：期望输出为 $0$

损失函数

对比原始 GAN 的损失函数，Conditional GAN 的损失函数与其相近，只是引入了条件 $y$

$$\min_{G} \max_{D} V(D,G) = \mathbb{E}_{x\sim p_{\text{data}}} \Big[ \log D(x|y) \Big] + \mathbb{E}_{z\sim p_z(z)} \Big[ \log (1-D(G(z|y))) \Big]$$