论文：https://arxiv.org/pdf/1712.04086.pdf
代码：GitHub - fjxmlzn/PacGAN: [NeurIPS 2018] [JSAIT] PacGAN: The power of two samples in generative adversarial networks
发表：2016
一、摘要
1：GAN最重大的缺陷是：mode collapse。即无论是否基于多样性数据进行训练，GAN总倾向于产生相似的样本。
2：文中提出一种 packing 的方法来处理 mode collapse问题。具体做法：修改调整判别器，使其决策是基于同类的多个样本（不用管样本是真实样本还是生成样本）。通俗一点就是：将判别器的输入改成多个样本，这样判别器可以同时基于看到的多个样本进行决策，可以从一定程度上缓解 mode collapse。
二、架构创新
常规GAN的做法：使用单一判别器，将单一样本映射为单一的soft标签。
本文GAN的做法：使用增广判别器，将多个样本映射为单一的soft标签。
把相同label的样本拼接就是文中的 packing 技术，接收拼接 packing 样本的判别器就叫 packed 判别器。ImprovedGAN 中也提出了mini-batch的技巧，来处理 mode collapse 问题。
三、如何修改常规判别器使其成为 packed 判别器呢？
保持判别器中 hidden layers 不变，只增加 input layer 中 nodes 的数目。可以参考一下下图中的Fig 1。左侧是默认的判别器，右侧是 packed 2 个样本的判别器，输入节点翻倍。
文中还对 DCGAN 如何 pack 进行了举例：
minist 手写数据是 28x28x1, PacDCGAN5就是把 label 相同的5张图（可以是real也可以是fake）拼接成 28x28x5的数据，送入判别器。
四、如何训练 packed 判别器呢？
保持和正常 GANs 同样的训练过程。区别就是有 packed sample。直觉上来说：packing 有助于判别器缓解 mode collapse 问题，因为packing 样本的丰富性远高于single 样本。
五、计算复杂度呢？
取决与使用的GANs架构。毕竟input layer 的node 节点增多了嘛。不过也是可控的：作者的建议是packing 2个或者3 个样本就可以取得不错的效果。
六、实验结果
左侧是real样本，中间是DCGAN生成样本，右侧是PacGAN2生成样本，确实生成质量改善了。
