CGAN

论文：
Conditional Generative Adversarial Nets

github:
tensorflow-generative-model-collections

思路

在生成器和判别器都添加先验信息标签来条件生成指定类别的图像。

结构

CGAN的结构如下：

CGAN与GAN的具体结构的对比：

LOSS

gan的loss:

cgan的loss:

ICGAN

论文： Invertible Conditional GANs for image editing

github: ICGan-tensorflow

思路

将CGAN和Encoder 结合起来，将源图像的特征向量分离改变后重新生成新图像。通过Encoder,将一幅真实的图像编码为潜在编码z和特征向量y,改变条件向量y中的特征位，重新生成源图像改变特征后得到的新图像。

结构

ICGAN的结构如下：

ICGAN中CGAN的具体结构：

在生成器和判别器较早的引入了标签信息。

具体网络

生成器网络：

判别器结构：

Encoder结构：

loss

训练过程

IcGAN的训练包含3个步骤：

1. 训练cGAN
2. 用cGAN生成数据集A
3. 用数据集A训练编码器Ez,使Ez能够将图像解析成对应的潜在编码z
4. 用真实数据集训练编码器Ey,使Ey能够将真实图像解析出其对应的特征向量y