![](https://csdnimg.cn/release/download_crawler_static/86376679/bg1.jpg)
CGAN & Improved GAN 讨论总结
讨论时间:7 月 28 日 20:00
讨论地点:GAN 讨论群
讨论主题:GAN 的两篇入门级 paper
Mirza M, Osindero S. Conditional Generative Adversarial Nets[J].
Computer Science, 2014:2672-2680.
Salimans T, Goodfellow I, Zaremba W, et al. Improved Techniques for
Training GANs[J]. 2016.
Part 1:CGAN
1. CGAN 和 GAN 的区别
CGAN 是在 GAN 的基础上增加条件约束,通过给定 Labels/tags 等信息去有
条件训练生成器和判别器。(A conditional generative model p(x|c) can be
obtained by adding c as input to both G and D)解决了在 Unconditional GAN
中,特别是大图片 pixel 较多情况下,由于没有预先建模导致的生成数据不可控
的问题。
添加的条件变量规范了生成图像的方向,把无监督的 GAN 变成了有监督模型,
收敛速度也有提高。CGAN 是在 GAN 上一个不错的改进,在很多重要场景都有运
用,作者举了两个例子,一个是多模态数据的图像自动标注,另外一个是 MNIST
手写体的生成。后续也有融合 CGAN 思想的新 GAN 模型出现,例如 StackGAN
(Zhang H, Xu T, Li H, et al. StackGAN: Text to Photo-realistic Image Synthesis with
Stacked Generative Adversarial Networks[J]. 2016.一个 GAN 用来生成图片,另外一个
GAN 接收第一个 GAN 的生成图片和高斯条件变量。)
2. 条件约束(Label etc.)的添加操作
G 和 D 两个网络都可以添加。如果只加 G 不加 D,D 在进行判断的时候就会忽
略条件约束。反之如果只加 D 不加 G,那么加入的约束 y 实际上就是噪音,因为
D 在进行判别的时候是判别生成的 y 生成样本和 y 真实样本的差距。
3. 判断生成图像的质量的办法
human annotators,肉眼判断;
计算指标,比如 WGAN 提到的 W 距离。
建立模型正确率,比如 WGAN(Arjovsky M, Chintala S, Bottou L. Wasserstein
GAN[J]. 2017.)提到的用 inception model 来判断,Improved GAN 中提到的