GAN vs Conditional GAN：概念差異與去噪任務的應用

Standard GAN :

1. Generator (G)：輸入隨機噪聲 $z\sim N(0,1)$，輸出 fake image
2. Discriminator (D)：輸入一張圖像（可能來自真實 MNIST，也可能是 G 的 fake），判斷 real/fake
• 是MNIST 資料集的圖像 → 標記為 real (y=1)
• G(z) 生成的假圖像 → 標記為 fake (y=0)
3. D 不需要 paired data，只要能看到真實數據與生成數據
4. 訓練過程中，G 會逐步學會把隨機 z 映射到「看起來像 MNIST 分佈」的圖像

  

Conditional  GAN 

想要生成「數字6」，就給模型條件 

• $y=6$，生成器要輸出像「6」的圖片，而不是別的數字。
• 圖片裡面打叉的「2」就是說：雖然它來自分佈，但不符合條件（y=6），所以不是正確輸出

Conditional GAN:

 Learn a mapping from condition → target (e.g. noisy → clean)

• Discriminator (D)：同時看 (noisy, clean) 或 (noisy, fake)


• (noisy, clean) → 應該判斷為 real (y=1)




• (noisy, fake) → 應該判斷為 fake (y=0)


• D 的角色不只是判斷「像不像真實圖像」，還要檢查「輸出和 noisy 是否對應」


• 透過 Binary Cross Entropy loss，D 訓練得更會分辨；而 G 則被迫學到正確 mapping (noisy → clean)