GAN
GAN由一个判别器和一个生成器组成,GAN的目标是训练一个生成器来获取数据的分布。判别器的训练目标是在真实样本和生成器生成的假样本里识别出真实样本,生成器的训练目标是尽可能地让判别器识别错误,所以GAN的整体目标函数是对交叉熵损失函数进行minmax优化。
GAN的具体实现是在每次迭代里同时对生成器和判别器的参数进行梯度优化,而且论文证明了通过这个算法可以让生成器的数据分布收敛于真实样本的分布。但GAN的训练需要生成器和判别器的良好协调,如果生成器训练过多,则容易导致太多的随机变量映射到同一个生成样本上。论文里还探讨了获取条件分布以及从真实样本映射到噪声变量的可能性。
Pix2pix
Pix2pix通过ConditionalGenerative Adversarial Nets (cGAN) 来实现图像到图像的转换。
cGAN将GAN拓展为获取数据的条件分布,通过在生成器和判别器的输入里加上额外的信息来实现,额外的信息可以是任意种类的数据,比如数据标签、图像等等。因此cGAN与GAN的区别在于和都需要合并上额外信息,然后作为新的和分别输入到判别器和生成器。
Pix2