GAN李宏毅（3）——无监督conditional GAN

目录

问题——如果判别器不仔细设计，而生成器又比较深的话，会导致生成图像与原始图像差别很大

方法1——加一个训练好的分类器

​

方法2——circle GAN

两个生成器，两个判别器，一起训练

存在的问题

​

扩展——starGAN

方法3——统一空间

为了减少模糊，增加判别能力，我们引入判断全局信息的判别器——VAEGAN

由于是分开训练的，并没有映射到相同空间

方法1couple-GAN、Unit：编码器最后几个层公用参数，解码器开始几个层公用参数

方法2 增加一个判别器，减少两个domain的差异

方法3：combo GAN双循环

---

从标签得到图片，然后用判别器更新生成器。如果标签没那么精确，不是一对一的，计算判别器的时候就会出现问题，怎么办？

问题——如果判别器不仔细设计，而生成器又比较深的话，会导致生成图像与原始图像差别很大

方法1——加一个训练好的分类器

方法2——circle GAN

两个生成器，两个判别器，一起训练

存在的问题

要求生成器恢复已经丢失的信息，会导致生成器生成效果受到限制（偷偷摸摸藏信息）

其他类似的两个方案

扩展——starGAN

方法3——统一空间

为了减少模糊，增加判别能力，我们引入判断全局信息的判别器——VAEGAN

由于是分开训练的，并没有映射到相同空间

XY说的语言不一样

方法1couple-GAN、Unit：编码器最后几个层公用参数，解码器开始几个层公用参数

方法2 增加一个判别器，减少两个domain的差异

方法3：combo GAN双循环