改进的生成式对抗网络：提升GAN效果的新方法

（一）DCGAN

深度卷积生成对抗网络（Deep Convolutional GAN，DCGAN），是在生成模型和判别模型中添加了卷积神经网络（Convolutional Neural Networks，CNN），使得生成性能有了很大的提高。因为其改进的方向比较好，所以许多生成式网络的改进都是参照DCGAN进行了性能的优化和改进。图10－1是DCGAN中的生成器G结构图。

图10-1　DCGAN中的生成器G结构图

DCGAN的形式主要有下列几种情形。

（1）把深度卷积中的池化层用判别器和生成器替换。

（2）移除网络中的全连接层，提高了网络的稳定性。

（3）在生成器G和判别器D中都用批量归化方法，有助于梯度传递到每一层网络中，也预防生成器把所有样本收敛到同一个点上。

（4）在生成器G中，除了输出层采用了tanh传递函数，其余层采用了ReLU传递函数。

（5）在判别器D中所有的网络层都采用Leaky ReLU传递函数，使得深度卷积生成对抗网络相比于一般生成对抗网络有更好的生成能力，网络训练有更好的收敛速度和稳定性，但也存在着生成图像分辨率很低等问题。

（二）SGAN

半监督生成对抗网络（Semi－supervised GAN，SGAN），原理结构如图10－2所示。它可以将真实数据x和它的类别信息同时输入到判别器中，所以判别模型最终不仅可以判别图像的来源，也可判别图像的类别。在这种情况下，整个对抗网络判别器D有了更好的判别能力，同时在加入了类别c之后，增强了生成器G图片的生成质量，相比于普通的生成式对抗网络，半监督生成式对抗网络的性能更好。

图10-2　SGAN的原理结构(www.xing528.com)

（三）InfoGAN

互信息生成对抗网络（Information Maximizing GAN，InfoGAN），其基本原理结构如图10－3所示。它是在GAN的基础上引入了一个潜在代码c，c可以包含多个变量。在对抗网络生成器中为了避免网络没有监督，所以使用了c，并在目标函数中加了一项I（c；G（z，c））来表示互信息的程度。在InfoGAN中，可以通过调整c来改变生成图片的属性，例如调整数字的粗细和倾斜度。

图10-3　InfoGAN的原理结构

（四）CGAN

条件生成式对抗网络（Conditional Gan，CGAN）是针对GAN本身不可控的缺点，加入了监督信息，指导GAN网络，并对最基本的GAN的性能进行了改进，基本结构如图10－4所示。生成器G和判别器D都添加了条件变量c，其中c可以是类别信息，也可以是模态数据。将增添的信息c分别传送给生成器G和判别器D，从而组成条件生成式对抗网络CGAN。如果条件变量c是类别信息，那么就是把无监督的GAN模型改进成有监督的模型，即为条件生成式对抗网络，且CGAN的生成模型G中，新的输入是pz（z）和c组成，但是CGAN的最终的目标函数与基础GAN相同都是极小极大值博弈。

图10-4　CGAN的原理结构

（五）AC－GAN

有辅助分类器的生成式对抗网络（Auxiliary Classifier GAN，AC－GAN），其基本原理结构如图10－5所示。相比于其他的生成式网络，其最大的特点在于，AC－GAN判别器不仅能判别真假，还可以将判别的信息进行分类。在实际训练中。最终的目标函数不仅有真实的数据来源的概率，还有正确的分类标签概率。AC－GAN可以将标注信息输入到生成器中，然后生成相应的图像标签，摒弃在判别器D中调节损失函数，让分类图片的正确率更高，这样会使得AC－GAN的判别和生成性能更好。

图10-5　AC-GAN的原理结构

除了上述的几种算法，目前还有LSGAN、WGAN、EBGAN、BEGAN、VAE等GAN的改进和优化算法。