目的：合成（synthesis）高分辨率圖像
方法：提出一種新的變種條件標簽GAN
貢獻：提出ACGAN，提出新的生成圖片質量（可判別性和多樣性 discriminability and diversity of samples）評估方法Inception Accuracy和MS-SSIM，得出結論：高分辨圖片在ACGAN下可以更為准確地做classification（Across 1000 ImageNet classes, 128 _ 128 samples are more than twice as discriminable as artificially resized 32 _ 32 samples. In addition, 84.7% of the classes have samples exhibiting diversity comparable to real ImageNet data.1）。
核心：In this work we demonstrate that that adding more structure to the GAN latent space along with a specialized cost function results in higher quality samples.
模型架構：
Loss函數：
The objective function has two parts: the log-likelihood of the correct source, LS, and the log-likelihood of the correct class, LC.
D is trained to maximize LS + LC while G is trained to maximize LC -LS.
Inception accuracy：
OpenAI提出Inception Score用以評價合成圖像的真假，本文作者認為在生成圖像不符合人的視覺感知時，Inception Score依然可能會很高，所以評判不准確。於是，作者將合成的圖像輸入訓練好的Inception V3模型，對比模型的分類准確率。
不同分辨率的生成圖片的Inception accuracy對比，人工降低分辨率后，accuracy也隨之降低，說明生成的高分辨率圖片不僅含有像素信息，還有一些幫助提高accuracy的信息。
總結：ACGan立足添加標簽約束，以提高（高分辨率）圖片生成質量，並提出新的生成圖片質量和模式坍塌衡量標准。作者在附錄中闡明了標簽數量對模型穩定性的影響，實驗中訓練了100個AC-GAN，每個對10個標簽進行分類。本文沒有過多與其他現有的生成模型進行比較測試。