总说

简单的说就是根据文字进行生成相应的图片。
先看效果：

架构

这里首先用一个 text embedding网络来将文字转换为向量，ϕ(t)是1024维的向量，然后投影成128。并将这128向量分别加入到G和D网络中。在G中直接concat到后面，而D中由于中间出来的是spatial size是4x4大小的，所以直接复制4x4份，后面concat上去。
因为普通的GAN就是一个z直接生成图片，但是这里是要让生成的图片符合t的描述。因此显然要把tembedding成向量，然后加入z中。有意思的是，这里D也加入了ϕ(t)，个人觉得这类似CGAN。
然后作者提出了GAN-CLS以及GAN-INT.

GAN-CLS

如果是普通的GAN，那么D只要负责看G的生成图片是真是假就行。但是这里的任务是要让G生成符合t描述的图像。因此D担负着两个任务：
1. 判断G生成的图片是真是假
2. 判断生成的图片是否符合t的描述。
所以：

与普通GAN不同的是，这里多了一种错误情况，即看上去挺真的，但是对应的描述t与图不符合，即sw。
这里可以大概想到在D中加入ϕ(t)的作用，如果不加的话，那么D所能获得的信息仅仅是G的生成图，失去了判断图与t是否符合的判断能力。

GAN-INT

其实就是不仅用以前的t了，还用了插值的语料。这是因为深度网络学习到的特征表示其实具有可插值性，或是说如果一对pair图像，经过相同的层后，对这些特征进行插值，那么插值后的特征也是在数据流型附近。也就是说，”一只小鸟在天上飞”和”黑头乌龟在地上晒太阳”，它们的深度特征插值后，没准就成了“一只黑头小鸟在地上晒太阳了”。。
因此加入插值的语料进行训练，可以增加G的创新性吧。
另外一点是：这种插值的语料没有对应的真实图片。也就是说我根本没有插值语料的Sr啊。
文中的解释:
D learns to predict whether image and text pairs match or not. Thus, if D does a good job at this, then by satisfying D on interpolated text embeddings G can learn to fill in gaps on the data manifold in between training points.
就是说既然D能够很好的判断给定的图片与给定的文本t是否一致，那么如果用这种插值的文本t, G会努力缩小训练数据点之间的差异。

z起的作用

先定义content和style。一般情况下很多时候一句话就是描述content的，而不会描述style（style主要是包括背景和姿态）。那么这种情况下我们就希望z能起到这种加入style的作用，从而生成更加真实多样化的图片。前面已经提到了GAN-CLS,GAN-INT和GAN-INT-CLS，那么哪种训练方式训练出来的模型，z才是最能起到加入style的作用。
然后他们首先弄了一个inverse G的网络。当然很简单，用以前生成的样本对就行。然后

其中S是inverse G网络。
然后作者把图片按照style进行聚类（平均背景颜色，鸟类姿态等），然后取属于同一聚类的样本，求得z。通过求解相同聚类的图片的style表示z之间的consine距离，从而确定不同训练方式，z所起到的style作用的强弱。

还是GAN-INT-CLS模型的z具有较好的style表示作用。

总结

通过分别在G和D里面加入t的embedding特征，从而让G是在ϕ(t)条件下的生成图片，而D是也是在ϕ(t)条件下的判断图片是否符合文本。另一点是利用插值从而让G具有更强大的生成能力。此外，通过特征可视化的方式，让z具有specific的style加入功能，从而解决文本描述本身不对style进行任何阐述的问题，随机化的z可以加入不同的style，从而增加生成样本的真实性与多样性。