摘要

近年来，条件生成模型取得了显著进展。其中一种广受欢迎的条件生成模型是辅助分类器生成对抗网络（Auxiliary Classifier GAN, AC-GAN），该模型通过在传统GAN的损失函数中引入一个辅助分类器，实现对生成图像的高判别性控制。然而，随着类别数量的增加，AC-GAN生成样本的多样性往往会显著下降。本文从理论上揭示了这一多样性不足问题的根源，并提出了一种切实可行的解决方案。我们发现，AC-GAN中的辅助分类器强制要求各类数据在特征空间中完全可分，这一假设在各类别分布支持集存在显著重叠时反而成为不利因素。为解决该问题，本文提出一种新型架构——双辅助分类器生成对抗网络（Twin Auxiliary Classifiers Generative Adversarial Network, TAC-GAN）。该模型引入了一个新的参与者（即第二个辅助分类器），与生成器和判别器共同构成对抗博弈关系。理论上，我们证明了TAC-GAN能够有效最小化生成数据分布与真实数据分布之间的差异。大量实验结果表明，TAC-GAN能够在模拟数据上准确复现真实数据分布，并在真实数据集上显著提升类别条件图像生成的多样性，验证了其在提升生成质量与多样性方面的有效性。