生成模型实战 | InfoGAN详解与实现

0. 前言

在传统的生成对抗网络 (Generative Adversarial Network, GAN) 中，生成器接收一个随机噪声向量作为输入并生成样本，但这个噪声向度的不同维度往往缺乏明确的语义解释。InfoGAN 提出了一种信息理论扩展，能够以无监督的方式学习解耦的、可解释的表示。这种解耦表示对于理解数据生成过程、控制生成样本的特征具有重要意义。
InfoGAN 通过最大化潜编码与生成样本之间的互信息，迫使生成器使用潜编码中的特定维度来控制生成样本的特定语义特征。这种方法不需要任何额外的监督信号，完全通过无监督学习实现特征解耦。本节将详细介绍 InfoGAN 的技术原理，并使用 PyTorch 从零开始实现 InfoGAN。

1. InfoGAN 原理

1.1 核心思想

InfoGAN (Information Maximizing Generative Adversarial Network) 是生成对抗网络 (Generative Adversarial Networ