摘要
我们提出了一种新算法，通过一种多类别推广的Hinge损失函数，将类别条件信息融入生成对抗网络（GAN）的判别器中。该损失函数在监督学习与半监督学习设置下均具有兼容性。我们研究了在同时训练前沿生成器与高精度分类器之间的权衡，并提出了一种利用该算法衡量生成器与判别器在多大程度上具备类别条件性的方式。我们揭示了生成器-判别器对在遵循类别条件输入与生成高质量图像之间存在的权衡关系。通过引入多Hinge损失的改进方法，我们在ImageNet数据集上显著提升了Inception Score与Fréchet Inception Distance（FID）指标。相关TensorFlow实现代码已公开，可访问 https://github.com/ilyakava/gan 获取。