GAN系列：李宏毅老师GAN课程P7——Info GAN，VAE-GAN，BiGAN

最新推荐文章于 2023-05-01 23:04:39 发布

原创

最新推荐文章于 2023-05-01 23:04:39 发布 · 2.3k 阅读

CC 4.0 BY-SA版权

本文详细介绍了Info GAN、VAE GAN、BiGAN和Triple GAN等深度学习模型在生成对抗网络中的应用，包括它们的结构、工作原理和优化目标，旨在揭示如何通过这些模型生成更清晰、具有可解释性的图像。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在GAN的生成器中，输入一个随机向量，可生成一副图像。向量和图像间的关系可以理解为某种映射，也可以视作向量是图像的特征(尽管可能是隐形的)。为了能找到向量中每个元素/特征和生成图像间的关系，希望元素的改变对图像的影响是有规律可循的，但是一般这种规律是不直观的，如下图所示：

Info GAN就是针对该问题进行的改进：

1. 生成器 $Generator$ 的输入随机向量 $z$ 由两部分组成： $c$ 和 $z'$ (都是向量)，生成器 $Generator$ 要学到 $c$ 中每一个元素对图像生成的影响( $c$ 的每一个维度都表示图像的某个特征)， $z'$ 就是纯随机向量；

2. 训练一个分类器 $Classifier$ ：根据生成器 $Generator$ 的输出 $x$ 预测其对应的生成器 $Generator$ 的输入中的 $c$ ；

3. 生成器 $Generator$ 和分类器 $Classifier$ 构成一个 $"Auto-encoder"$ ，和普通的 $"Auto-encoder"$ 功能刚好相反：从编码向量生成图像，再解码回向量；

4. 如果仅训练生成器 $Generator$ 和分类器 $Classifier$ ，生成器会将 $c$ 直接附加到输出图像中(导致图像不真，质量有问题)，便于分类器 $Classifier$ 直接还原出 $c$ ，因此同时训练判别器监督生成图像的真实性。

200万优质内容无限畅学