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

没有评论

共计 2177 个字符，预计需要花费 6 分钟才能阅读完成。

在图像生成领域，传统 GAN 虽然表现出色，但在需要精确控制生成内容时却显得力不从心。比如我们想生成特定数字的手写体，传统 GAN 只能随机生成，无法指定具体数字。这就是 CGAN 要解决的核心问题——条件控制生成。

传统 GAN 的另一个痛点是训练不稳定。常常会遇到：

判别器过早收敛，导致生成器梯度消失
模式崩溃（Mode Collapse），生成器只产生有限的几种样本
梯度爆炸，训练过程难以收敛

相比其他 GAN 变种，CGAN 的独特之处在于：

条件控制 ：通过 concat 或 embedding 方式将标签信息融入生成过程
架构灵活 ：可以与其他 GAN 变体结合，如 DCGAN-CGAN、WGAN-CGAN 等
训练稳定 ：条件信息的加入一定程度上缓解了模式崩溃问题

这里特别说明下条件信息的嵌入方式：

Concat 拼接 ：直接将 one-hot 标签向量拼接到输入噪声或中间特征
Embedding 嵌入 ：通过可学习的嵌入层将离散标签映射为稠密向量
Projection 映射 ：使用矩阵乘法将标签信息投影到特征空间

下面我们用一个完整的 MNIST 生成案例演示 CGAN 实现：

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_embed = 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, 28*28),
            nn.Tanh()  # MNIST 像素值归一化到 [-1,1]
        )

    def forward(self, z, labels):
        # 将噪声 z 和标签 embedding 拼接
        c = self.label_embed(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_embed = nn.Embedding(num_classes, num_classes)
        self.model = nn.Sequential(nn.Linear(28*28 + 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, img, labels):
        # 将图像展平后与标签 embedding 拼接
        img_flat = img.view(img.size(0), -1)
        c = self.label_embed(labels)
        x = torch.cat([img_flat, c], dim=1)
        return self.model(x)

学习率 ：通常设为 2e-4，使用 Adam 优化器
Batch Size：不宜过大，64-128 为宜
噪声维度 ：一般取 50-200 之间的值

FID（Frechet Inception Distance）：计算生成图像与真实图像在特征空间的分布距离
IS（Inception Score）：衡量生成图像的多样性和可识别性

# FID 计算示例
from torchmetrics.image.fid import FrechetInceptionDistance

fid = FrechetInceptionDistance()
# 真实图像和生成图像需要先归一化到 [0,255]
fid.update(real_images, real=True)
fid.update(fake_images, real=False)
print(f"FID score: {fid.compute():.2f}")