上一篇文章的卷积反卷积自编码框架本来我是打算用作GAN的生成器,这样一来我用GAN生成的图像就可以受我控制了,而不是像DCGAN那样生成器的输入是一个随机的100维向量。
但是用卷积与反卷积自编码来作为生成器,我觉得似乎有点麻烦,首先要训练一个编码器网络,然后将编码器网络生成的向量代替类似于DCGAN中的z向量,实现对GAN生成模型输出的控制效果。因为我也不搞GAN,所以不如去找找现成的,于是乎就上IEEE Trans上找到可找篇论文
整篇论文看下来有不少细节问题,比如图文不对应,不过不影响论文内容,整体上来说所用的方法是简洁明了的。
1、什么是生成器反向?
1.1 GAN基本原理
这就要从GAN 的基本原理说起了,放个传送门,简单来说,GAN 由两部分组成:Generator(生成器):生成模型的目的,就是要尽量去模仿、建模和学习真实数据的分布规律;Discriminator(鉴别器):而判别模型则是要判别自己所得到的一个输入数据,究竟是来自于真实的数据分布还是来自于一个生成模型。基本框架如下:
所以对于传统的GAN来说,输入一个随机噪声,生成器生成与样本图像类似的图像,所以说生成器的输入z看作生成图像G(z)的一种表示,而且DCGAN已经证明了GANs能够学习一种“rich linear structure”:
即对z空间的</