判别器(Discriminator)输入一个图片 x \mathbf x x,输出y表示分类(仅有0和1两个分类)的概率,该模型可以很直观地用条件概率来描述—— P D ( y ∣ x ) P_D(y|\mathbf x) PD(y∣x),于是展开有:
P D ( y ∣ x ) = { P D ( y = 1 ∣ x ∈ X r ) P D ( y = 0 ∣ x ∈ X r ) P D ( y = 1 ∣ x ∈ X f ) P D ( y = 0 ∣ x ∈ X f ) ( 1 ) P_{D}(y|\mathbf x) = \begin{cases} P_{D}(y=1|\mathbf x \in X_r) \\ P_{D}(y=0|\mathbf x \in X_r) \\ P_{D}(y=1|\mathbf x \in X_f) \\ P_{D}(y=0|\mathbf x \in X_f) \\ \end{cases} \qquad(1) PD(y∣x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧PD(y=1∣x∈Xr)PD(y=0∣x∈Xr)PD(y=1∣x∈Xf)PD(y=0∣x∈Xf)(1)
上式中“ x ∈ X f \mathbf x \in X_f x∈Xf”表示:样本 x \mathbf x x来自假图(Fake Images)集合 X f X_f Xf,同理,“ x ∈ X r \mathbf x \in X_r x∈Xr”表示:样本 x \mathbf x x来自真图(real Images)集合 X r X_r Xr。 P D ( y ∣ x ) P_{D}(y|\mathbf x) PD(y∣x)表示给定输入 x \mathbf x x的条件概率,而 P D ( y ∣ x ) P_{D}(y|\mathbf x) PD(y∣x)恰好是判别器(Discriminator)的输出。
同理,Ground Truth也可以用这样的描述方式,并且有:
P g t ( y ∣ x ) = { P g t ( y = 1 ∣ x ∈ X r ) = 1 P g t ( y = 0 ∣ x ∈ X r ) = 0 P g t ( y = 1 ∣ x ∈ X f ) = 0 P g t ( y = 0 ∣ x ∈ X f ) = 1 ( 2 ) P_{gt}(y|\mathbf x) = \begin{cases} P_{gt}(y=1|\mathbf x \in X_r)=1 \\ P_{gt}(y=0|\mathbf x \in X_r)=0 \\ P_{gt}(y=1|\mathbf x \in X_f)=0 \\ P_{gt}(y=0|\mathbf x \in X_f)=1 \\ \end{cases} \qquad(2) Pgt(y∣x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧Pgt(y=1∣x∈Xr)=1Pgt
GAN的Loss的比较研究(2)——传统GAN的Loss的理解2
最新推荐文章于 2023-02-01 16:49:09 发布