有问题感谢指出，感兴趣欢迎讨论

Conditional Generative Adversarial Nets Mehdi

0. Summary

conditional版本的GAN，将辅助信息y作为input的一部分送入网络

1. background

输出极多的label依旧是难题——应用来自其他modality的附加信息
mapping一对多——用 条件概率生成模型，一对多mapping是一个conditional predictive distribution

灵感来源

2. Research Objective

可以控制生成器mode的GAN

3. Method(s)

• formulation
  

• 输入
  将辅助信息y作为input的一部分送入网络，y可以是任何信息（label，data from other modalities）

• 具体例子

  • 基于label生成MNIST：将label做one-hot编码一起作为输入
  • 多label image-tagging（给定img pre前提下的tag vetcor分布(possibly multi-modal)：
    预训练cnn用最后一层fc输出作为image的representation；预训练模型提取word-to-vector；
    

4. 结果

1. 非conditional下的拟合结果
   比朴素GAN好（可能是因为多提供了信息）
   

5. 创新点

1. 加入一个类似于开关的控制条件

6. 实验&结果讨论方法

Conclusion

Evaluation

1. 第二种应用里的G和判别式模型M的区别在哪？
   如果要用判别式模型做multi-tag：输入image rep，过一堆层输出vector。

• 区别仅在于G输入包括噪声？？
• 在判别式模型M：输入加入噪声，将M的输出与输入contac送入一个新的判别式器D判断他是来自于谁的，就是conditionalGAN了吗？

存在问题：

Notes

Reference