摘要
我们提出了一种基于投影的新方法，将条件信息融入生成对抗网络（GANs）的判别器中，同时尊重条件信息在底层概率模型中的作用。这种方法与目前大多数应用于条件GAN框架的方法形成对比，后者通常通过将（嵌入的）条件向量与特征向量连接起来来使用条件信息。通过这一改进，我们在ILSVRC2012（ImageNet）1000类图像数据集上的类别条件图像生成质量上显著超过了当前最先进的结果，并且仅使用了一对判别器和生成器就实现了这一点。此外，我们将该方法扩展到超分辨率应用中，并成功生成了高分辨力的超分辨率图像。这种新结构还使得基于生成器中条件批归一化层的参数函数变换实现高质量的类别转换成为可能。