• 论文题目：《Conditional Image Synthesis With Auxiliary Classifier GANs》
• 出处：ICML 2017
• 作者：Augustus Odena、Christopher Olah、Jonathon Shlens
1.2研究背景
GAN(Generative Adversarial Network)是由两个彼此对立训练的神经网络组成。生成器G以随机噪声向量z作为输入然后输出-张图像G(z),判别器D接收训练图像或者是来自生成器的合成图像作为输入，输出在可能数据源上的条件概率分布D(x)，他需要分别出真实的数据来源或者是生成的数据来源。
使用标签的数据集应用于生成对抗网络可以增强现有的生成模型，并形成两种优化思路。
• cGAN使用了辅助的标签信息来增强原始GAN，对生成器和判别器都使用标签数据进行训练，从而实现模型具备产生特定条件数据的能力。
• SGAN的结构利用辅助标签信息(少量标签)，利用判别器或者分类器的末端重建标签信息。
ACGAN则是结合以上两种思路对GAN进行优化。
• Ls是面向数据真实与否的代价函数。
• Lc则是数据分类准确性的代价函数。
在优化过程中希望判别器D能否使得Ls+Lc尽可能最大，而生成器G使得Lc-Ls尽可能最大。
简而言之是希望判别器能够尽可能区分真实数据和生成数据并且能有效对数据进行分类，对生成器来说希望生成数据被尽可能认为是真实数据且数据都能够被有效分类。
1.3.3高分辨率
如何评价一个生成模型生成图片的分辨率，最简单的方法无非就是直观用眼睛来看，但这样显然无法量化一个图片的好坏，于是作者提出使用一个分类器，若生成的图片具有较高的分类正确率，就有理由认为生成的图片质量比较高，也即该图片具有较高的可分辨性，如上所述，生成高分辨率的图片，需要不是简单的将低分辨率的图片进行线性插值来生成，因而要量化的分析生成的图片的质量，可以从其分辨力。
从低分辨率通过插值生成的高分辨率图片，其本质上没有增加多余信息，只是低分辨率的模糊版。结合这样的思路，高分辨率的图片提供了更多的信息，这些信息结合到AC-GAN结构，每个生成图片都有其对应的标签，因而这个更多的信息，可以通过分类来表明，也就是说更多的信息，可以用于分类，也就是文中所说的分辨力。
因此，ACGAN提出Inception Accuracy，这种新的用于评判图像合成模型的标准，查看其被分类为正确类别的比率，以此来判定生成的图片质量。图中，最上面给出了真实图片和基于ACGAN生成图片，可以明显感觉图片高分辨率对应高可分辨性。
