论文阅读笔记1——From Adversarial Training to Generative Adversarial Networks

论文标题：From Adversarial Training to Generative Adversarial Networks

原文链接：https://arxiv.org/pdf/1807.10454.pdf

• 贡献：

联系GAN和对抗训练，提出AdvGAN，在同一个网络中连接生成器、判别器和对抗攻击者。通过共同训练（co-training）和微调（fine-tunning），同时提高生成图像质量和判别器在强对抗攻击下的准确度。

• 技术：

                                        

第一阶段：端到端GAN训练。生成器生成假图像输入给判别器，同时真实图像经过PGD攻击后输入给判别器。之后判别器最小化真假损失和类别损失。

第二阶段：用真实图像和生成图像精炼判别器

采用AC-GAN[1]结构，改进了loss函数。

AC-GAN的loss函数包含两个部分：

 

判别器最大化Ls+Lc，生成器最大化Lc-Ls，最大化Lc两次，这样即使生成器生成了无法辨别的图像，判别器还是要对它分类。

Adv-GAN将Lc拆成两项：

 

判别器最大化Ls+Lc1，生成器最大化Lc2-Ls

优点：通过无限的假图像来做数据增广，提高了对抗训练的泛化能力；GAN训练的鲁棒性和收敛速度有所提高（背后的理论原理不清楚，只给出了直观解释）；通过改进loss函数提高了图像质量。

缺点：可能只能抵御某种对抗攻击

参考文献：

[1]Conditional Image Synthesis With Auxiliary Classifier GANs.

    链接：https://arxiv.org/abs/1610.09585