摘要
条件生成模型旨在学习数据与标签之间的潜在联合分布，以实现条件数据生成。其中，辅助分类器生成对抗网络（Auxiliary Classifier Generative Adversarial Network, AC-GAN）得到了广泛应用，但其生成样本存在类内多样性不足的问题。本文指出，该问题的根本原因在于AC-GAN中的分类器是生成器无关（generator-agnostic）的，无法为生成器提供有效指导以逼近真实的联合分布，从而导致条件熵最小化，进一步削弱了类内多样性。基于这一认识，本文提出一种新型条件生成对抗网络——辅助判别分类器生成对抗网络（Auxiliary Discriminative Classifier GAN, ADC-GAN），以解决上述问题。具体而言，所提出的辅助判别分类器通过区分真实数据与生成数据的类别标签，具备生成器感知（generator-aware）能力。理论分析表明，即使在没有原始判别器的情况下，生成器仍能准确学习联合分布，因此所提出的ADC-GAN对系数超参数的取值以及GAN损失函数的选择具有较强的鲁棒性，并在训练过程中表现出良好的稳定性。在合成数据集与真实世界数据集上的大量实验结果表明，与当前最先进的基于分类器和基于投影的条件生成对抗网络相比，ADC-GAN在条件生成建模任务中展现出显著优越性。