GuidedDiffusion/DiffusionModelsBeatGANsonImageSynthesis(Paperreading)PrafullaDhariwal,OpenAI,NeurlPS2021,Cited:555,Code,Paper.目录子GuidedDiffusion/DiffusionModelsBeatGANsonImageSynthesis(Paperreading)1.前言2.整体思想3.方法4.总结1.前言对于条件图像合成，我们通过分类器指导进一步提高样本质量：一种简单、计算效率高的方法，使用分类器的梯度来权衡样本质量的多样性。我们在ImageNet128×128

 Diffusion-GAN:将GAN与diffusion一起训练 paper：https://arxiv.org/abs/2206.02262code：GitHub-Zhendong-Wang/Diffusion-GAN:OfficialPyTorchimplementationforpaper:Diffusion-GAN:TrainingGANswithDiffusion  第一行从左向右看是diffusionforward的过程，不断由 realimage进行diffusion，第三行从右向左看是由noise逐步恢复成fakeimage的过程，第二行是鉴别器D，D对每一个timestep

一、原始GAN的缺点    生成的图像是随机的，不可预测的，无法控制网络输出特定的图片，生成目标不明确，可控性不强。针对原始GAN不能生成具有特定属性的图片的问题，MehdiMirza等人提出了cGAN，其核心在于将属性信息y融入生成器G和判别器D中，属性y可以是任何标签信息，例如图像的类别、人脸图像的面部表情等。二、CGAN的基本原理   cGAN的中心思想是希望可以控制GAN生成的图片，而不是单纯的随机生成图片。具体来说，ConditionalGAN在生成器和判别器的输入中增加了额外的条件信息，生成器生成的图片只有足够真实且与条件相符，才能够通过判别器。   实际上,在无条件约束的生成模型