GAN之Conditional GAN——条件生成对抗网络

条件生成对抗网络"/>

GAN之Conditional GAN——条件生成对抗网络

作者：禅与计算机程序设计艺术

1.背景介绍

概述

Conditional GAN（CGAN）是一种基于GAN的模型扩展形式，其目的是使生成器和判别器能通过输入的条件信息学习到更精准的生成结果，从而产生具备某种特性、特征或属性的图像。该论文首次提出了CGAN，它将条件信息嵌入到输入空间中，并在判别器中添加一个条件判别器（condition discriminator）。这种方式能够帮助生成器生成具有目标属性的样本，甚至具有多种属性的样本。
传统的GAN生成器仅仅接收噪声向量作为输入，并且只生成一张图片。而在CGAN中，条件信息被作为额外的输入，并且在生成过程中，生成器的输出包含目标条件下的信息。

历史演变

19世纪末期，Hinton等人提出了生成对抗网络GAN(Generative Adversarial Networks)概念。20世纪初，深度卷积神经网络的火爆带动了GAN的研究热潮。随着时间的推移，GAN逐渐成熟，可以生成各种各样的图像，尤其是在人脸识别领域。但是，GAN存在的问题也越来越明显。比如说，GAN生成的图像质量差、训练过程不稳定、生成样本之间的相关性较强等。因此，针对这些问题，现有的一些改进型GAN方法出现了，如WGAN、LSGAN、SNGAN、BEGAN等。这些方法均基于两个生成器-判别器结构，但有些方法还考虑了特征匹配的约束。

2014年，Montreal提出的CGAN（Conditional Generative Adversarial Network）概念首次提出。它利用CGAN的条件信息，在判别器中增加一个条件判别器࿰