CGAN

CGAN

生成符合特定描述的输出，

如图：给定描述，生成相应内容图片

CGAN中的negetive情况包含两种，（正确的描述，不清晰的图片）和（不正确的描述，清晰的图片），positive情况为（正确的描述，清晰的图片）

CGAN的训练过程

区别于GAN的训练

stack GAN: 用于生成尺寸较大的图片，先生成小图，再生成大图
patch-GAN: image to image，discriminater不输入整张图片（参数太多，容易train坏掉，而输入图片的部分区域

unsupervised Conditional Generation

方法一：一般用于较为简单的，变化不大的转换，
方法二：变化较大的转换
1、Approach 1(以风格转换为例）:
容易获得不是我们想要的结果，如可能出现一张完全不同的图片，如何衡量输出结果好坏（是否和原图相似）
（1）浅层的网络不会对图片产生教大的改动，倾向于generate出和原图相似的结果。

（2）
使用训练好的network分别输入Generator风格转换前后两张图片
，对比经过pre-train网络两张图片输出的vector是否相似，以此来衡量经过generator输入输出图片是否相关
（3）cycle generator

使用两个generator，x->Y, Y->X，使得经过cycle的X与x相近。

2、方法二
（1）、部分参数共享

假设xdomin为人像，ydomin为漫画人物，训练两组encoder、decoder，一组为xdomin-encoder----xdomin-decoder（人像编码，再解码回人像）,另一组为ydomin-encoder-----ydomin-decoder（漫画编码再解码回漫画） , 为使两组coder有关系，使两组encoder-decoder部分参数共享（共享上图黑色虚线部分layer)，人像通过xdomin-encoder编码，再通过ydomin-decoder解码
(2)、在encoder和decoder之间加domin-discriminator
当domindiscriminator无法判断来自那个domin，则不同domin来自相同distribution，期待他们有相对应的维度

（3）cycle consistency

参考：李宏毅大大dl