我们介绍了一种具有挑战性的条件GAN训练方案，称为开放集半监督图像生成，其中训练数据集由两部分组成: (i) 标记数据和(ii)未标记数据，其样本属于标记数据类中的一个，即一个封闭集，以及不属于任何标记数据类的样本，即一个开放集。与现有的半监督图像生成任务(未标记数据只包含封闭集样本)不同，我们的任务更加一般化，允许出现开放集样本，从而在实践中降低了数据收集成本。由于熵正则化，在标记数据上训练的分类器能够将cGAN训练的样本明智重要性量化为置信度，允许我们使用未标记数据中的所有样本。我们设计了OSSGAN，它根据未标记图像是否属于感兴趣的类别，为鉴别器提供决策线索，在训练过程中平滑地集成了标记数据和未标记数据。在Tiny ImageNet和ImageNet上的实验结果表明，与有监督的BigGAN和半监督方法相比，有显著的改进。我们的代码可以在https://github.com/raven38/OSSGAN上找到。

https://www.zhuanzhi.ai/paper/9c1171ff0905b7f0f141ba6d0af7c6f4