最近看了下deepnude的原理，其git上说的是使用了pixel2pixel技术，也就是说是这一篇：
《Image-to-Image Translation with Conditional Adversarial Networks》
这是加里福利亚大学在CVPR 2017上发表的一篇论文，讲的是如何用条件生成对抗网络实现图像到图像的转换任务。
> 原文链接：https://arxiv.org/abs/1611.07004
> 论文主页：https://phillipi.github.io/pix2pix/，其中包含了PyTorch、Tensorflow等主流框架的代码实现
所以我看了眼这篇文章，发现这篇文章其原理是由CGAN启发的，所以我们今天来看看CGAN是怎么一回事。
CGAN（条件GAN）全名：《Conditional Generative Adversarial Nets》
CGAN的论文网址请移步：https://arxiv.org/pdf/1411.1784.pdf
首先简要介绍一下GAN，具体介绍请移步：https://blog.csdn.net/wenqiwenqi123/article/details/86178376
GAN主要包括两个网络，生成器和判别器，生成器的目的就是将随机输入的高斯噪声映射成图像（“假图”），判别器则是判断输入图像是否来自生成器。换句话说就是生成器努力蒙蔽判别器，而判别器努力不被生成器蒙蔽。最优结果就是判别器最终的判别概率为0.5，无法分辨出哪张图是真实的哪张图是生成器生成的。
生成器为G，判别器为D。假设真实数据为x，生成器输入的噪声分布为
那么GAN的目标函数如下：
说完GAN，开始说CGAN：原始的GAN的生成器只能根据随机噪声进行生成图像，至于这个图像是什么（即标签是什么我们无从得知），判别器也只能接收图像输入进行判别是否图像来使生成器。因此CGAN的主要贡献就是在原始GAN的生成器与判别器中的输入中加入额外信息。额外信可以是任何信息，例如标签。因此CGAN的提出使得GAN可以利用图像与对应的标签进行训练，并在测试阶段 利用给定标签生成特定图像。
在CGAN的论文中，网络架构使用的MLP（全连接网络）。在CGAN中的生成器，我们给定一个输入噪声
那么，CGAN的目标函数可以表述成如下形式：
下面是CGAN论文中生成的手写数字图像的结果，每一行代表有一个标签，例如第一行代表标签为0的图片。
