1、CGAN原理分析

1.1 网络结构

CGAN是在GAN基础上做的一种改进，通过给原始GAN的生成器Generator（下文简记为G）和判别器Discriminator（下文简记为D）添加额外的条件信息y，实现条件生成模型。CGAN原文中作者说额外的条件信息可以是类别标签或者其它的辅助信息，本文使用条件信息（记为y）作为例子。因此CGAN的提出使得GAN可以利用图像与对应的标签进行训练，并在测试阶段利用给定标签生成特定图像。

CGAN的核心操作是将条件信息加入到G和D中（其实就是G和D都加入类别标签y），下面分别进行讨论：

（1）原始GAN生成器输入是噪声信号，类别标签可以和噪声信号组合作为隐空间表示；

（2）原始GAN判别器输入是图像数据（真实图像和生成图像），同样需要将类别标签和图像数据进行拼接作为判别器输入。

2.2 损失函数

原始GAN包含一个生成器和一个判别器，其中生成器G和判别器D进行极大极小博弈，损失函数如下：

CGAN添加的额外信息y只需要和x与z进行合并，作为G和D的输入即可，由此得到了CGAN的损失函数如下：

原文：CGAN原理分析与pytorch实现 - 知乎