AC GAN

简介

1. 在输入数据是分辨率较低的图片时，原有的gan能够生成和原始数据极为接近的结果，但对于高分辨率图片，就不太行。
2. 在gan中的数据种类越多，生成就越困难。

AC gan全称为Auxiliary Classifier GANs，翻译成中文就叫辅助分类器生成对抗网络。从名字可以看出，AC gan是对原有gan model修改后的一种model。

AC gan 在原有的基础上，增加了一个辅助分类器，用来限制label，并且使用了特定的损失函数。

下面是acgan的图形解释

AC gan的数学表达

原有的gan model中生成的假数据结果，定义为X = G(z)，z是输入噪音，X是输出结果。现在的AC gan引入了辅助分类器，故在原的X生成中引入了新的变量，现在将其定义为X=G(c,z)。

假设D(X)为输入数据X被鉴别为真的概率，其中X的输入，可以为真数据，也可以是生成的假数据。

假设用P(S|X = D(x)表示输入为数据后，判别数据得到的概率。

假设用P(C|X = D(x))表示输入数据后，判别label class得到的的概率。

那么对于输入数据有L_S = E[logP(S=real|X_{real})]+E[logP(S=fake|X_{fake})]

第一项：当输入数据是真数据，判定为真的结果的期望。 第二项：当输入数据是假数据，判定为假的结果的期望。

对于输入标签有：

L_C = E[logP(C=c|X_{real})]+E[logP(C=c|X_{fake})]

第一项：当输入真数据的label被判定确切属于某类c的期望。 第二项：当输入假数据的label被判定确切属于某类c的期望。

对于鉴别器(Discriminator D)而言，它的任务是尽可能的判定真的数据为真，假的数据为假，真的数据的label确切属于某类C，假的数据label确切属于某类c。故它的目标可以写成

对于生成器(Generator G)而言，它的任务是尽可能的让真的数据被判定为真，让假的数据被判定为真，真的数据的label确切属于某类C，假的数据label确切不属于某类c。故它的目标可以写成（我感觉解释不通。待改）