万字综述之生成对抗网络（GAN）(13)

模型结构和 CGAN 基本一致，除了 Loss 多了一项最大互信息。具体如下 [10]：

从上面分析可以看出，InfoGAN 只是实现了信息的解耦，至于条件变量 c 每一个值的具体含义是什么，我们无法控制。
于是 ss-InfoGAN 出现了，ss-InfoGAN 采用半监督学习方法，把条件变量 c 分成两部分，
。 Css 则利用标签像 CGAN 一样学习，Cus 则像 InfoGAN 一样学习。
GAN与VAE的结合
GAN 相比于 VAE 可以生成清晰的图像，但是却容易出现 mode collapse 问题。VAE 由于鼓励重构所有样本，所以不会出现 mode collapse 问题。
一个典型结合二者的工作是 VAEGAN，结构很像前文提及的 MRGAN，具体如下：

上述模型的 Loss 包括三个部分，分别是判别器某一层特征的重构误差，VAE 的 Loss，GAN 的 Loss。
GAN模型总结
前面两节介绍了各种各样的 GAN 模型，这些模型大都是围绕着 GAN 的两大常见问题：模式崩溃，以及训练崩溃来设计的。下表总结了这些模型，读者可以根据下表回顾对照：