基于传统GAN模型的损失函数比较研究（2）——常规GAN模型损失函数的理解与分析

判别器（Discriminator）接收一个图像\mathbf x作为输入，输出一个概率值y，用于表示该图像属于两个类别中的哪一个。这一模型可以通过条件概率的方式进行直观描述，即P_D(y|\mathbf x)。具体表达形式如下：
P_{D}(y|\mathbf x) = \begin{cases} P_{D}(y=1|\mathbf x \in X_r) \\ P_{D}(y=0|\mathbf x \in X_r) \\ P_{D}(y=1|\mathbf x \in X_f) \\ P_{D}(y=0|\mathbf x \in X_f) \\ \end{cases} \qquad(1)
在上述公式中，“\mathbf x \in X_f”表示样本\mathbf x来源于假图集合X_f，而“\mathbf x \in X_r”则表示样本\mathbf x来源于真图集合X_r。其中，条件概率表达式P_{D}(y|\mathbf x)代表了在给定输入\mathbf x的情况下对应的概率分布，同时也是判别器的输出结果。

同样地，Ground Truth也可以通过类似方式加以描述，并具体表现为：
$P_{gt}(y|\mathbf x) = \begin{cases} P_{gt}(y=1|\mathbf x \in X_