摘要

条件生成模型在过去几年中取得了显著进展。其中一种流行的条件模型是辅助分类器生成对抗网络（AC-GAN），它通过扩展生成对抗网络（GAN）的损失函数引入一个辅助分类器，从而生成具有高辨别性的图像。然而，随着类别数量的增加，AC-GAN生成样本的多样性往往会降低，这限制了其在大规模数据上的应用能力。本文从理论上识别了低多样性问题的根源，并提出了一种实用的解决方案来解决该问题。我们指出，AC-GAN中的辅助分类器强加了完美的可分性，当类分布的支持集有显著重叠时，这种可分性是有害的。为了解决这一问题，我们提出了双辅助分类器生成对抗网络（TAC-GAN），该网络进一步引入了一个新的参与者，与GAN中的其他参与者（生成器和判别器）进行交互。理论上，我们证明了TAC-GAN可以有效地最小化生成数据分布与真实数据分布之间的差异。广泛的实验结果表明，我们的TAC-GAN能够在模拟数据上成功复制真实的数据分布，并且在实际数据集上显著提高了类条件图像生成的多样性。