1. 前言
CVPR2018的文章。
在图片合成领域，GAN得到了非常多的应用。和传统的GAN拥有一个generator和一个discriminator，两者相互竞争不同，FaceID-GAN拥有三个player。如下图：
多了一个player是classifier，它和generator竞争，来区分真是图片和合成图片的id。
2. 介绍
从上图中左图可以看出，传统的GAN包含了和
两个player，
用于产生合成图片，
用于区分真实图片和生成的图片。
但是在人脸领域中，仅仅产生一个看似真实的图片是不够的，我们期望产生的图片和原来的图片能够看着像同一个人。也就是identity-preserving 。为此
作者拓展了原来的GAN，增加了一个classifier，也就是。
将真实图片和生成图片作为输入，也就是
。之后预测它们的label：
。我们希望它们预测得到的label一样。
有一点需要注意的是，即使用于将真实图片的特征和生成图片的特征分为同一类，但是它并不具备将这两个特征变的非常接近的能力。如下图：
它做的仅仅是让和
的距离比
和其他的距离近而已。
因此，仅仅加一个分类器并不能保证identity preserve。为此作者提出了FaceID-GAN。让
和
竞争，和
合作。从上图的右图可以看出，FaceID-GAN不仅在id1和id2之间分类，而且在真实的id1和假的id1之间分类（通过使用2N个label）。在这种情况下，为了迷惑
，
生成的图片，在特征空间上，不仅仅要在正确的分类边界内，还必须尽可能地靠近真实的特征。
由于同时处理真实图片和生成图片，它比分别处理更加容易。
2. Previous work
-
one-to-one：Figure 3 (a)
学习一对一的映射，例如：风格转换，高分辨率图片生成，从图片到草图的生成等。
-
many-to-one：Figure 3 (b)
例如人脸的转正。
-
many-to-many：Figure 3 (c)
-
FaceID-GAN：Figure 3 (d)
3. Proposed Method
整体结构如下图：
从上图看出，
如前所述，FaceID-GAN有三个players，
其中，
-
增大生成图片的energy，减少原图的energy，来增加两者之间的差别。
-
包含了一个分类器，用于将真实图片和生成图片分别分类
- 在
中，它减少
来与
竞争，减少真实图片和生成图片特征之间的余弦距离，和生成图片的shape feature
和目标shape feature
之间的l2距离。
3.1 Discriminator D
为了能够对每一个像素施加一个监督信号，作者使用了auto-encoder作为discrminator，也就是说，D努力减少per-pixel的距离
作者引入了一个regularization term ：
其中
3.2 Classifier C
3.3 Shape Estimator P
作者使用3D Morphable Model(3DMM)来将人脸图片映射到shape feature space。
3.4 Generator G
