CVAE(条件自编码) Condition GAN (条件GAN) 和 VAE-GAN模型之间的区别

前言： 

CVAE(条件自编码) 主要有两个部分组成    编码器 (Encoder)和解码器(Decoder)

首先编码器中输入的是真实图像，经过一系类卷积操作提取真实图像特征的均值和方差，并将其转化成一个特定得高斯分布，编码器是选择一个服从该高斯分布的一个随机向量。

然后解码器输入的是编码器中输出的随机向量：经过一系列的反置卷积操作重构真实图像

优点是：生成图像稳定，不易出现模式坍塌的稳定

缺点是：图像容易模糊，而且图像的多样性不是很高

 

 

Condition GAN (条件GAN) 主要有两个部分组成， G生成模型和D识别模型

生成器G中输入的是一个噪音和图像的标签，经过一系列的反置卷积操作，输出一张生成图像

识别器D中输入是真实图像和以及对应的标签， 和生成图像以及对应的标签，  输出的是对图像类别的判断

 

优点是： 生成图像多样性比较好，生成的质量比较清楚

缺点是：生成过程过于随机，可能出在现实生活中没有意义的图像

 

VAE-GAN主要有三个部分组成，编码器(Encoder),  生成器G, 和 识别器D

编码器(Encoder)提取：首先使用编码器提取真实图像的特征，直接作为生成模型的输入

生成器G：输入的是编码器中输入图像特征，输出的是一张生成图像。

识别器D：输入的是一张真实图像，对应的标签和生成图像以及对应的标签，  输出的是图像判别图像的真假信息

优点是：相对于CVAE生成图像多样性较高，相对于Condition GAN生成图像较为稳定 ，

缺点是：图像一般很难有较大的变化

 

实验结果如下， 三个代码见后续章节。

         

真实图像

 

CVAE

                                                 

Condition GANs

 

VAE-GAN