条件GAN
Parent: ai_keywords
条件生成对抗网络（Conditional GAN）
【核心定义】
条件生成对抗网络（Conditional GAN, cGAN）是生成对抗网络（GAN）的扩展，通过在生成器（G）和判别器（D）中引入条件变量（如类别标签、图像、文本等），使得生成过程可控制、可定向。其核心思想是将条件信息 ( y ) 作为输入附加到噪声 ( z ) 或特征提取层中，使 G 学习从条件 ( y ) 到真实数据分布 ( p_{\text{data}}(x|y) ) 的映射，而 D 则判断数据对 ( (x, y) ) 是否真实一致。cGAN 的目标函数为： [ \min_G \max_D \mathbb{E}{x \sim p{\text{data}}}[\log D(x|y)] + \mathbb{E}_{z \sim p_z}[\log(1 - D(G(z|y)|y))] ]
【关键技术点】
- 条件信息注入方式：通常将 ( y ) 通过嵌入层（如独热编码或特征向量）与噪声 ( z ) 拼接后输入生成器；判别器则将 ( y ) 与真实/生成图像特征在中间层拼接，或作为额外输出分支。近年来，投影判别器（Projection Discriminator）通过内积实现条件对齐，效果更优。
- 损失函数与条件概率建模：cGAN 将原始 GAN 的无条件概率转化为条件概率 ( P(x|y) )，生成器需最小化条件分布差异（如 KL 散度），判别器需最大化条件对数似然。常见变体 Pix2Pix 采用 ( L1 ) 损失辅助，提升生成图像与条件的对齐度。
- 训练稳定性：条件信息可提供额外约束，一定程度上缓解模式坍塌；但仍需梯度惩罚（WGAN-GP）或谱归一化等技术稳定训练。条件批次归一化（Conditional Batch Normalization）可动态调整特征分布，适应不同条件。
- 多模态生成与条件译码：通过调节噪声 ( z ) 的随机性，cGAN 能在给定条件下生成多样化输出（如不同病灶形态）。后处理中常用条件编码网络（如 Attention U-Net）增强条件感知能力。
【医学/神经科学应用场景】
以首都医科大学神经病学研究为背景，cGAN 可显著提升脑部 MRI 的病变图像生成与增强。例如，针对多发性硬化或阿尔茨海默病的白质高信号（WMH）检测，罕见病变样本常不足。通过 cGAN：
- 输入条件：T1-weighted 图像 + 病变区域掩膜（label map）；
- 生成目标：高分辨率 FLAIR 或 T2 图像，突出斑块边缘与形态；
- 应用价值：为神经网络分类器提供数据增强，尤其适用于不平衡病变（如早期小病灶）。首都医科大学宣武医院团队曾利用 cGAN 生成脑小血管病（CSVD）模拟图像，结合 3D U-Net 实现分割精度提升 12%（Dice≈0.87），同时保留病变与正常脑区的解剖连贯性，避免了传统数据增强中的伪影泄露。此外，cGAN 还可用于图像去伪影（如去除头部运动造成的重影），以“伪影严重图像”为条件，生成清晰诊断级图像，为急性卒中取栓前评估争取时间。
