AIGC实战——ACGAN详解与实现

0. 前言

辅助分类器生成对抗网络 (Auxiliary Classifier GAN, ACGAN) 的原理与条件 GAN (CGAN) 相似。对于 CGAN 和 ACGAN，生成器输入均为噪声及其标签，输出均为属于输入类别标签的伪造图像。在 CGAN 中，判别器的输入是图像(真实或伪造)及其标签，输出是图像为真实概率。而在 ACGAN 中，判别器仅以图像作为输入，输出则同时包含图像真实性概率及其类别标签。

1. ACGAN 网络架构

下图展示了生成器训练阶段 CGAN 与 ACGAN 的核心差异：

本质上，CGAN 通过注入辅助信息(标签)来构建网络，而 ACGAN 则通过辅助类别解码器网络重构辅助信息。ACGAN 理论指出，强制网络执行额外任务已被证实能提升原始任务的性能。在此框架中，图像分类作为附加任务，而原始任务仍是生成伪造图像