要約
近年、条件付き生成モデルは著しい進展を遂げている。その中でも、GANの損失関数に補助分類器を追加することで高判別性の画像を生成する、補助分類器付きGAN（Auxiliary Classifier GAN: AC-GAN）は広く用いられている。しかし、クラス数が増加するにつれて、AC-GANによる生成サンプルの多様性は低下する傾向にある。本論文では、この多様性の低さの原因を理論的に特定し、実用的な解決策を提案する。我々は、AC-GANにおける補助分類器が完全な分離性（perfect separability）を強制するという点に問題の本質があることを示す。これは、各クラスの分布サポート間に大きな重なりがある場合、不利な影響を及ぼす。この問題に対処するため、GAN内の生成器および判別器と相互作用する新たなプレイヤーとして、二重補助分類器を導入した生成対抗ネットワーク（Twin Auxiliary Classifiers Generative Adversarial Net: TAC-GAN）を提案する。理論的には、TAC-GANが生成データ分布と実データ分布の乖離を効果的に最小化できることを証明する。広範な実験結果から、TAC-GANはシミュレーションデータ上で真のデータ分布を正確に再現できることを示し、実データセット上でのクラス条件付き画像生成において、多様性を顕著に向上させることを確認した。