最近看了下deepnude的原理，其git上說的是使用了pixel2pixel技術，也就是說是這一篇：
《Image-to-Image Translation with Conditional Adversarial Networks》
這是加里福利亞大學在CVPR 2017上發表的一篇論文，講的是如何用條件生成對抗網絡實現圖像到圖像的轉換任務。
> 原文鏈接：https://arxiv.org/abs/1611.07004
> 論文主頁：https://phillipi.github.io/pix2pix/，其中包含了PyTorch、Tensorflow等主流框架的代碼實現
所以我看了眼這篇文章，發現這篇文章其原理是由CGAN啓發的，所以我們今天來看看CGAN是怎麼一回事。
CGAN（條件GAN）全名：《Conditional Generative Adversarial Nets》
CGAN的論文網址請移步：https://arxiv.org/pdf/1411.1784.pdf
首先簡要介紹一下GAN，具體介紹請移步：https://blog.csdn.net/wenqiwenqi123/article/details/86178376
GAN主要包括兩個網絡，生成器和判別器，生成器的目的就是將隨機輸入的高斯噪聲映射成圖像（“假圖”），判別器則是判斷輸入圖像是否來自生成器。換句話說就是生成器努力矇蔽判別器，而判別器努力不被生成器矇蔽。最優結果就是判別器最終的判別概率爲0.5，無法分辨出哪張圖是真實的哪張圖是生成器生成的。
生成器爲G，判別器爲D。假設真實數據爲x，生成器輸入的噪聲分佈爲
那麼GAN的目標函數如下：
說完GAN，開始說CGAN：原始的GAN的生成器只能根據隨機噪聲進行生成圖像，至於這個圖像是什麼（即標籤是什麼我們無從得知），判別器也只能接收圖像輸入進行判別是否圖像來使生成器。因此CGAN的主要貢獻就是在原始GAN的生成器與判別器中的輸入中加入額外信息。額外信可以是任何信息，例如標籤。因此CGAN的提出使得GAN可以利用圖像與對應的標籤進行訓練，並在測試階段 利用給定標籤生成特定圖像。
在CGAN的論文中，網絡架構使用的MLP（全連接網絡）。在CGAN中的生成器，我們給定一個輸入噪聲
那麼，CGAN的目標函數可以表述成如下形式：
下面是CGAN論文中生成的手寫數字圖像的結果，每一行代表有一個標籤，例如第一行代表標籤爲0的圖片。
