摘要
在本文中，我们提出了一种名为堆叠生成对抗网络（Stacked Generative Adversarial Networks, SGAN）的新生成模型，该模型训练用于逆向转换自底向上判别网络的层次表示。我们的模型由一个自顶向下的GAN堆栈组成，每个GAN都学习在给定更高层次表示的条件下生成更低层次的表示。我们在每个特征层次引入了一个表示判别器，以鼓励生成器的表示流形与自底向上判别网络的表示流形对齐，利用强大的判别表示来引导生成模型。此外，我们引入了一种条件损失，以鼓励使用来自上一层的条件信息，并提出了一种新的熵损失，最大化生成器输出条件熵的变分下界。我们首先独立训练每个堆栈，然后进行端到端的整体模型训练。与使用单一噪声向量来表示所有变化的传统GAN不同，我们的SGAN将变化分解为多个层次，并逐步解决自顶向下生成过程中的不确定性。通过视觉检查、Inception分数和视觉图灵测试，我们证明了SGAN能够生成比非堆叠GAN质量更高的图像。