generative adversarial networks (GANs) can generate near photo realistic
images in narrow domains such as human faces. Yet, modeling complex
distributions of datasets such as imagenet and COCO-Stuff remains chall
本文提出了一种新的投影方法来将条件信息纳入 GAN 的鉴别器中,以尊重条件信息在概率模型中的作用,这种方法与当前应用中使用嵌入向量将条件信息与特征向量拼接的大多数条件 GAN 框架形成对比。通过这种修改,我们能够显著提高基于 ILSVRC2012(ImageNet)1000 类图像数据集的类别条件图像生成质量,并且使用单个鉴别器和生成器对此进行了实现。我们还将这种应用扩展到超分辨率,并成功地生成了高度有区别的超分辨率图像。这种新的结构还使基于参数化功能转换的条件批归一化层的高质量类别转换成为可能。