论文地址:https://arxiv.org/abs/1411.1784
关于生成式对抗网络(GAN)在先前的文章中已经提到了。请看我的前两篇博文。
https://blog.csdn.net/qq_21210467/article/details/81836976
https://blog.csdn.net/qq_21210467/article/details/81942447
现在来说说条件生成式对抗网络CGAN。
一、背景:
GAN的优势是直接可以对数据分布进行采样,不需要假设数据分布,从而理论上可以完全逼近真实数据。但是这中间模拟的方式缺点是过于自由,对于较大的图片和复杂的数据,简单的GAN变得非常不可控,于是研究人员提出了条件生成式对抗网络理论Conditional Generative Adversarial Nets(CGAN)【Mirza M, Osindero S. Conditional】,对原始的GAN附加了约束,在生成模型和判别模型中引入了条件变量y(Conditional variable y),为模型引入了额外的信息,可指导性的生成数据。理论上y可以使有意义的各种信息,比如类标签,可以将GAN这种无监督学习的方