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='spectral_norm'):
super(DiscriminatorACGAN, self).__init__()
norm_fn = _get_norm_fn_2d(norm)
weight_norm_fn = _get_weight_norm_fn(weight_norm)
def conv_norm_lrelu(in_dim, out_dim, kernel_size=3, stride=1, padding=1):
return nn.Sequential(
weight_norm_fn(nn.Conv2d(in_dim, out_dim, kernel_size, stride, padding)),
norm_fn(out_dim),
nn.LeakyReLU(0.2)
)
self.ls = nn.Sequential( # (N, x_dim, 32, 32)
conv_norm_lrelu(x_dim, dim),
conv_norm_lrelu(dim, dim),
conv_norm_lrelu(dim, dim, stride=2), # (N, dim , 16, 16)
conv_norm_lrelu(dim, dim * 2),
conv_norm_lrelu(dim * 2, dim * 2),
conv_norm_lrelu(dim * 2, dim * 2, stride=2), # (N, dim*2, 8, 8)
conv_norm_lrelu(dim * 2, dim * 2, kernel_size=3, stride=1, padding=0),
conv_norm_lrelu(dim * 2, dim * 2, kernel_size=1, stride=1, padding=0),
conv_norm_lrelu(dim * 2, dim * 2, kernel_size=1, stride=1, padding=0), # (N, dim*2, 6, 6)
nn.AvgPool2d(kernel_size=6), # (N, dim*2, 1, 1)
torchlib.Reshape(-1, dim * 2), # (N, dim*2)
)
self.l_gan_logit = weight_norm_fn(nn.Linear(dim * 2, 1)) # (N, 1)
self.l_c_logit = nn.Linear(dim * 2, c_dim) # (N, c_dim)
def forward(self, x):
# x: (N, x_dim, 32, 32)
feat = self.ls(x)
gan_logit = self.l_gan_logit(feat)
l_c_logit = self.l_c_logit(feat)
return gan_logit, l_c_logit
在训练生成器与鉴别器时,额外添加了一个分类损失函数