Conditioning GAN Without Training Dataset

深度学习算法通常具有数十万个或更多个可训练参数。训练这种算法需要大量的训练数据，而为这些算法生成足够大的数据集是昂贵的。GAN是生成式神经网络，使用两个相互竞争的深度学习网络，即生成器和判别器网络。生成器试图通过近似训练数据分布来生成类似于实际训练数据集的逼真图像，而判别器则被训练为将图像分类为真实或伪造（生成的）。训练这些GAN算法也需要大量的训练数据集。本研究的目的是回答一个问题：“在给定未经过条件训练的生成器网络和经过预训练的分类器的情况下，是否有可能开发出一个有条件的生成器而不依赖于任何训练数据集？”该论文从问题的一般介绍开始，随后的章节结构如下：第2节提供有关问题的背景信息。第3节回顾了与该主题相关的文献。第4节概述了本研究采用的方法。第5节介绍了实验结果。第6节讨论了研究结果并提出了潜在的未来研究方向。最后，第7节提供了结论性的评论。实现可以在此处访问。

论文试图回答的问题是：在没有任何训练数据的情况下，是否有可能开发出有条件的生成器？

论文的关键思路是使用预训练的生成器和分类器来创建有条件的生成器，而无需依赖于任何训练数据。

论文使用了GAN算法来生成类似于训练数据集的图像，同时使用预训练的分类器来指导生成器生成特定的图像。实验结果表明，这种方法可以生成高质量的图像。论文还提供了开源代码供其他研究者使用。

相关研究包括使用GAN算法生成图像的研究，以及使用预训练的模型来辅助图像生成的研究。其中一些相关论文包括：'Generative Adversarial Networks'，'Image Generation from Small Datasets via Batch Statistics Adaptation'和'Conditional Image Synthesis with Auxiliary Classifier GANs'。