一、Conditional Generation（Supervised）--监督学习
传统的预测模型是根据输入的图片进行平均的学习，例如下图，给定训练集中有前进的火车和侧向的火车，如果没有对其进行相应的条件标签，最后模型输出的就是既向前又向侧面的混合火车图像，就不是我们所需要的输出。
?因此在conditional GAN中的输入除了train还有对其进行的描述语句或者关键词（称作normal distribution--z），把c和z一起输入网络最后输出的image传入鉴别器，输出一个数值scalar，而在输出的image清晰且符合要求同时和描述的关键词match的时候，scalar是接近于1的，不match的情况下即使image清晰符合要求，关键词描述正确，也就是只满足一个时，scalar也是接近于0的。
?以下为原理公式推导：
?二、Conditional Generation（Unsupervised）--无监督学习
Unsupervised Conditional Generation即是给定两组database，我们不设置任何的特征标注的情况下，网络自动学习他们之间的关系，学习得到如何从一组data得到另一组data。
一般分为以下两种方法：
（1）直接进行转换，这种方法一般只适用于两个image差别不大，只是进行风格或者颜色的转换。
（2）通过解码输出左边真人image的图像特征，再把特征值编码输出右边动漫形象image，例如可以提取戴眼镜，深蓝色衬衫的真人image的特征等，在输出动漫形象的时候把特征相应转为对应的形象。
?1、直接转换会遇到的问题及其对应解决方法
直接转换容易遇到的问题是模型会通过不断地学习直到生成出能够“欺骗”过鉴别器即十分近似于Y domain的image，而与原本输入的X domain没有任何关系，这并不是我们希望的。通过查阅文献实际上有好几种解决方法，最常用的是cycle consistency。
Cycle consistency就是将模型由X domain的image所输出的Y domain的image再转回生成X domain的image，对比前后两个生成的X domain的image确保他们越接近越好，即模型要做的不仅是能够生成“欺骗”过鉴别器的Y domain的image还不会与原本的data脱离联系。同样地，也可以拓展成双向Cycle consistency，也就是把Y domain的image也加上比较的循环，同时也生成“欺骗”过鉴别器的X domain的image也仍不会与原本的data脱离联系。
以下几种模型和Cycle consistency本质上是同样的，只是同一时期不同人所提出命名的模型。
?2、编码-解码方法
实际上类似于Cycle consistency的原理
?
?
?