Generative Adversarial Network 4 Info GAN,BIGAN

1.InfoGAN

1.regular GAN

• modifying a specific dimension,no clear meaning
  就是不明白改变什么维度，会对特征有什么影响

2.What is InfoGAN

• discriminator是用来判断到底是不是真实的图片
• 而classifier是用来预测此时的种类
  
  如何解决上述的问题呢
• c must have clear influence on x
  generator必须知道，c会对x有什么样子的影响
• The classifier can recover c from x

3.结果

• 改第一维可以发现数字由1变成9
• 改第二维可以发现角度发生变化
• 改第三维可以发现宽度变宽
  

2.VAE-GAN

1.VAE-GAN模型架构

• encoder 和 generator是 autocoder，加上encoder使generator有目标的学，更加稳
• generator 和 discriminator 是GAN，加上discriminator可以使output更加真实
  
• encoder：minimize reconstruction error，z close to normal
• generator：minimize reconstruction error，and cheat discriminator
• discriminator：discriminate real，generated and reconstructed images

2.Algorithm

BiGAN （两个GAN

1.结构

encoder 跟 decoder不是接在一起
虽然 encoder 和 decoder 没有连在一起，但是

2.Algorithm

技术 Domain-adversarial training

1.问题：如测试集和训练集不同

training and testing data are in different domains

2.Domain-adversarial training

• label predictor：用于识别是什么种类的
• Damain classifier：用于识别是来自哪一个领域

Not only cheat the domain classifier , but satisfying label classifier at the same time

3.Feature Disentangle

要把speaker这个因素剥除掉，所以如果判断是同一个讲话者就给high score，否则反之

Photo editing

1.结构

2.Attribute representation

找到z_long来衡量差距