摘要

生成对抗网络（GANs）在提供类别标签信息的情况下，系统性地生成了质量更高的样本，即在条件GAN设置中。这一现象在最近提出的Wasserstein GAN公式中仍然存在，该公式稳定了对抗训练，并允许考虑高容量网络架构，如ResNet。在这项工作中，我们展示了如何通过增强可用的类别标签来提升条件GAN的性能。新类别来自同一GAN模型学习到的表示空间中的聚类。所提出的策略在没有类别信息的情况下也是可行的，即在无监督设置中。我们的生成样本在CIFAR-10和STL-10数据集上，在有监督和无监督设置中均达到了最先进的Inception分数。