GAN是用来干嘛的？
相信大家跟笔者一样，认为它是生成各种妹子图的神器。
如图看看英伟达的StyleGan
有网友用它来生成二次元老婆：
当然脱衣神器也是名不虚传如图（有马赛克）
但是。。。今日不同往日
DeepMind团队，改造了“史上最强”的BigGAN，让她去做图像分类，并且刷新了ImageNet无监督表征学习的纪录，命名交BigBiGan.
她居然秒杀了各专注分类多年的AI高手（算法确实最容易弯道超车）。
我们来看看她图像质量依然非常不错：
不过她并非BigGAN的简单升级，而是增加了编码器和生成器，一次GAN作者Ian Goodfellow为它取名为BigBiGan。
我们来看看BigBiGan的原理吧：
给GAN加上编码器的想法，是从BiGAN那里继承的。
在原始的GAN架构里，生成器是个前馈映射，从随机取样的潜变量 (也叫噪音) ，映射到生成的数据 (假图) 上面。而编码器把真实数据 (真图) 映射到潜变量上。这样就有了两种不同方向的映射，成了双向GAN。
拒了解，在较早之前，BigGan也做过图像分类处理，BUT但是,BiGAN的生成器是DCGAN里面的生成的，不能产生高质量的图像，会导致后期编码器学习的语义质量不理想。
所以，Gan的大佬们决定让BiGAN的编码器，和BigGAN的生成器结合就有了我们的BigBiGan(男女搭配干活不累)。
但有了Baby就可以不管了吗，当然不是，判别器也是GAN的重要部分，它不断看穿生成器的作品，才让对方生产的假图越来越逼真。
判别器也是GAN的重要部分，它不断看穿生成器的作品，才让对方生产的假图越来越逼真，而判别器自身就是一个强大的神经网络，Gan团队的想法希望它可以在“语义 (Semantic) ”层面强调图像的重构误差，而不要太在意底层细节。
有了这个想法那么GAN团队开发了一个“联合判别器” (Joint Discriminator) ，这个判别器和普通的不同，输入数据不只是真图与假图数据 ，而是图像数据+潜变量的成对数据。
那么，它要区分的不是真图和假图，而是真图与潜变量组成的对子 (来自编码器) ，和假图与潜变量组成的对子 (来自生成器) 。
看下跑分成绩吧（是骡子是马牵出来遛一遛）
在ImageNet图像分类任务上，BigBiGAN成为了无监督算法中的地表最强。
BigBiGAN 模型在官方验证集上与最近使用监督式 logistic 回归分类器的同类方法进行比较。
与现有的监督逻辑回归分类器相比，BigBiGAN将ImageNet的top-1准确率提高到了61.3%。
当然BigBiGAN图像造假功能依旧强大：
上面一行是真实图像，下面是一行是假图像，不过不同于大多数GAN，比如BigGAN那样像素级的图像重建，BigBiGAN更重视高层的表征学习，也就更适合图像分类任务。
论文地址：https://arxiv.org/abs/1907.02544
关注微信公众号：“图像算法”或者搜索imalg_cn 即可获取更多资源