课题中的GAN和Patch-GAN

做课题时遇到GAN以及Patch-GAN：做一个简单的记录，仅仅时理论上的粗鄙理解，具体工程实战可以私信交流

GAN和Patch-GAN： GAN可以用在很多领域，对于要求高分辨率、高细节保持的图像领域并不合适，Patch-GAN横空出世，Patch-GAN和GAN的差别主要在于discriminator上，一般的GAN是只输出一个true or false的值，代表对整张图像的评价；但是Patch-GAN输出是一个NxN的矩阵，这个NxN的矩阵的每一个元素，比如a(i,j)只有True or False这两个选择（Label是一个NxN的矩阵，每一个元素是True或者False，这个时损失函数中的一个度量和GAN中的表示一致哦！！），这样的结果是由FCN来达到的，逐层叠加的卷积层最终输出的这个NxN的矩阵，其中每个元素实际上代表着原图中的一个较大的感受域，对应原图中的一个patch，所以这样的结构以及这样的输出的GAN被称为Patch GAN

PatchGAN：指的是将GAN的判别器换成了全卷积网络，普通的GAN判别器是将输入映射成一个实数，就是输入样本为真实样本的概率。PatchGAN将输入映射成为NxN的patch（矩阵）Ｘ，Xij的值代表每个patch为真样本的概率，X其实就是卷积层输出的特征图，从这个特征图可以追溯到原始图像中的某一个位置，可以看出这个位置对最终输出结果的影响。

直观上的理解：普通GAN输出一个数（对整个图像的总结），他就是大爷，决定了最终的结果。PatchGAN输出一个矩阵，考虑到图像的不同部分的影响，这样就考虑了多人的建议最后给出结果。

Patch-GAN的好处：要求高分辨率、高细节化的图像领域中，普通GAN判别器并不合适。引入Patch-GAN，它的感受域对应于输入中的一小块区域，也就是说Xij对应了判别器对输入图像的一小块的判别输出，这样训练使得模型更能关注图像细节。（细节特征）