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=