我们首先使用预训练的文本编码器生成高斯条件变量  。 这将生成嵌入 的相同文本。 第一阶段和第二阶段条件增强具有不同的完全连接层，用于生成不同的均值和标准 偏差。 这意味着第二阶段 GAN 学会了在文本嵌入中捕获有用的信息，而这些信息被第一阶段 GAN 省略了。
我们首先使用预训练的文本编码器生成高斯条件变量`c_hat`。 这将生成嵌入`φ[t]`的相同文本。 第一阶段和第二阶段条件增强具有不同的完全连接层，用于生成不同的均值和标准 偏差。 这意味着第二阶段 GAN 学会了在文本嵌入中捕获有用的信息，而这些信息被第一阶段 GAN 省略了。
第一阶段 GAN 生成的图像存在的问题是，它们可能缺少生动的对象部分，它们可能包含形状失真，并且它们可能会忽略对于生成逼真的图像非常重要的重要细节。 第二阶段 GAN 建立在第一阶段 GAN 的输出上。 第二阶段 GAN 取决于第一阶段 GAN 生成的低分辨率图像和文本描述。 它通过校正缺陷产生高分辨率的图像。
前面的方程式非常不言自明。 它代表了判别器网络的损失函数，其中两个网络都以文本嵌入为条件。 一个主要区别是生成器网络以和作为输入，其中是第一阶段生成的图像，是 CA 变量。
前面的方程式非常不言自明。 它代表了判别器网络的损失函数，其中两个网络都以文本嵌入为条件。 一个主要区别是生成器网络以`s[0]`和`c_hat`作为输入，其中`s[0]`是第一阶段生成的图像，`c_hat`是 CA 变量。
@@ -444,7 +444,7 @@ from matplotlib import pyplot as plt
CA 网络的目的是将文本嵌入向量（）转换为条件潜在变量（）。 在 CA 网络中，文本嵌入向量穿过具有非线性的完全连接层，从而产生均值和对角协方差矩阵。
CA 网络的目的是将文本嵌入向量（`φ[t]`）转换为条件潜在变量（`c_hat[0]`）。 在 CA 网络中，文本嵌入向量穿过具有非线性的完全连接层，从而产生均值`μ(φ[t])`和对角协方差矩阵`∑(φ[t])`。
