使用辅助分类器 GAN 进行条件图像合成

系列文章目录

一 Conditional Generative Adversarial Nets
二 cGANs with Projection Discriminator
三 Conditional Image Synthesis with Auxiliary Classifier GANs
四 InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets

---

Conditional Image Synthesis with Auxiliary Classifier GANs

Conditional Image Synthesis with Auxiliary Classifier GANs（简称AC-GANs）是一种用于改善生成对抗网络（GANs）进行图像合成的方法。在AC-GANs中，判别器除了要区分生成的图像与真实图像外，还额外承担了一个分类任务，即对输入图像的类别进行分类。这种方法可以提高生成图像的质量，并且能够生成具有特定类别标签的图像。

AC-GANs的关键在于引入了辅助分类器（Auxiliary Classifier），这个分类器被集成在判别器中，用于对输入图像的类别进行分类。判别器的输出包括两部分：一部分是判断图像是真实还是生成的，另一部分是对图像类别的预测。

在AC-GANs中，生成器的损失函数由两部分组成：

真实性损失（Adversarial Loss）：生成器试图生成判别器难以区分的图像。
分类损失（Classification Loss）：生成器生成的图像还要符合给定的类别标签。
这种结构不仅提高了图像的全局一致性，而且增加了生成图像的类别信息。实验表明，AC-GANs能够生成具有较高分辨率和类别一致性的图像样本。

class DiscriminatorACGAN(nn.Module):

    def __init__(self, x_dim, c_dim, dim=96, norm='none', weight_norm=