CGAN条件生成对抗网络：从原理到实战的图像生成指南

1次阅读

共计 1933 个字符，预计需要花费 5 分钟才能阅读完成。

传统 GAN 虽然在图像生成上表现出色，但在条件生成任务中存在明显短板。最突出的问题是缺乏对生成内容的精确控制。比如想生成特定数字的手写体，传统 GAN 只能随机输出，无法按需生成 ”7″ 或 ”9″。另一个痛点是模式崩溃（Mode Collapse），生成器会反复输出相似的样本，缺乏多样性。

CGAN 通过引入条件变量 y 解决了这些问题。这个 y 可以是类别标签、文本描述甚至其他图像。关键改进在于：

生成器和判别器都接收条件信息 y 作为额外输入
判别器需要同时判断 ” 图片是否真实 ” 和 ” 是否匹配条件 ”
通过条件约束避免了模式崩溃

DCGAN：适合无约束生成，但无法条件控制
WGAN：改进训练稳定性，但同样缺乏条件输入
InfoGAN：能发现隐变量，但不如 CGAN 直观可控

常见的有两种实现方式：

拼接 (Concat)：将条件向量与噪声向量直接拼接
嵌入 (Embedding)：先通过嵌入层转换条件变量

实践中，图像生成任务多采用拼接方式，而文本条件更适合嵌入。

下面是一个完整的 CGAN 实现，以 MNIST 手写数字生成为例：

import torch
import torch.nn as nn

# 生成器定义
class Generator(nn.Module):
    def __init__(self, latent_dim, num_classes):
        super().__init__()
        self.label_emb = nn.Embedding(num_classes, num_classes)

        self.model = nn.Sequential(nn.Linear(latent_dim + num_classes, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 1024),
            nn.LeakyReLU(0.2),
            nn.Linear(1024, 784),
            nn.Tanh())

    def forward(self, z, labels):
        # 将噪声 z 和标签嵌入拼接
        c = self.label_emb(labels)
        x = torch.cat([z, c], dim=1)
        return self.model(x)

# 判别器定义
class Discriminator(nn.Module):
    def __init__(self, num_classes):
        super().__init__()
        self.label_emb = nn.Embedding(num_classes, num_classes)

        self.model = nn.Sequential(nn.Linear(784 + num_classes, 1024),
            nn.LeakyReLU(0.2),
            nn.Dropout(0.3),
            nn.Linear(1024, 512),
            nn.LeakyReLU(0.2),
            nn.Dropout(0.3),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Dropout(0.3),
            nn.Linear(256, 1),
            nn.Sigmoid())

    def forward(self, x, labels):
        x = x.view(x.size(0), -1)
        c = self.label_emb(labels)
        x = torch.cat([x, c], dim=1)
        return self.model(x)