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：

Figure 1（a）

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 $G$ 和 $D$ 两个player， $G$ 用于产生合成图片， $D$ 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 $C$ 。
$C$ 将真实图片和生成图片作为输入，也就是 $x^r, x^s$ 。之后预测它们的label： $l_{id}\in R^{N*1}$ 。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 $C$ 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：

Figure 2

它做的仅仅是让 $f^s_{id1}$ 和 $f^r_{id1}$ 的距离比 $f^s_{id1}$ 和其他的距离近而已。

因此，仅仅加一个分类器 $C$ 并不能保证identity preserve。为此作者提出了FaceID-GAN。让 $C$ 和 $G$ 竞争，和 $D$ 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 $C$ ， $G$ 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 $C$ 同时处理真实图片和生成图片，它比分别处理更加容易。