Auxiliary Classifier GAN

论文亮点有三个;

  • 提出 AC-GAN,在 D 网络增加一个辅助分类器判别图像类别;
  • 提出 Inception Accuracy 评估图像合成;
  • 引进 MS-SSIM 评估图像合成的多样性。

Architecture



图1 其他的 GAN 结构与 AC-GAN 的比较
  • Condition GAN:将类标签作为条件信息和噪声一起输入网络 G 生成 $X_{fake}$,网络 D 输入类标签和 $X_{fake}$ 或 $X_{real}$,输出图像为真假。
  • Semi-Supervised GAN:只输入噪声到网络 G 生成 $X_{fake}$,网络 D 输入 $X_{fake}$ 或 $X_{real}$,如果图像判定为真,则输出其所属类别,如果判定为假,则输出为假。
  • Info-GAN: 网络 G 输入定义的潜在变量和噪声,网络 D 判断图像真假。
  • AC-GAN: 网络 G 输入类标签和噪声,网络 D 只输入$X_{fake}$ 或 $X_{real}$,判断图像真假,并利用另一个分类器来判断输入样本的所属类别。

Objective Function

目标函数分为两部分:
$$
L_S=E[\log P(S=real|X_{real})]+E[\log P(S=fake | X_{fake})] \\
L_C=E[\log P(C=c|X_{real})]+E[\log P(C=c|X_{fake})]
$$
网络 D 最大化$L_x + L_C$,网络 C 最大化 $L_S -L_c$ 。

注:StarGAN 中利用同一个分类器同时输出真假和类别信息,跟这里的还是有差别的。

参考资料

请作者吃酒!