WHY?

기존의 conditional gan에서는 hidden representation에 class의 정보를 concate하고 그에 맞는 이미지가 형성되길 바라는 방법 밖에 없었다. 이 방법은 단순한 이미지를 형성할 때는 괜찮지만 복잡한 이미지를 만들기는 힘들었다.

WHAT?

AC-GAN(auxiliary classifier GAN)은 generator에 노이즈와 label의 정보를 넣되 기존의 discriminator이외에 추가적인(auxiliary) classifier를 추가한다. $L_S = E[logP(S=real|X_{real})] + E[logP(S=fake|X_{fake})]\\ L_C = E[logP(C=c|X_{real})] + E[logP(C=c|X_{fake})]$ 그리하여 Discriminator는 LS + LC를 최대화하려 하고 G는 LC-LS를 최대화 하려 한다.

So?

이를 활용하여 고화질의 이미지 데이터를 형성한 결과 저화질의 데이터보다 분류성과가 좋았다.

Odena, Augustus, Christopher Olah, and Jonathon Shlens. “Conditional image synthesis with auxiliary classifier gans.” arXiv preprint arXiv:1610.09585 (2016).