《Destruction and Construction Learning for Fine-grained Image Recognition》对抗损失理解

看到有些讲解的文章，说DCL中的对抗损失是gan的思想，优化目标是让判别器不能分辨原图和破坏图，但是我的理解完全相反。以下是我的理解，如有不对，请指出。

1.作者原文中的图2 有明显的说明，“an adversarial loss is applied to distinguish original images from destructed ones.”也就是说对抗损失的目的是为了区分原图和破坏图。

 2）在3.1.2节中，作者说分类loss和对抗loss是以对抗的形式进行工作。分类loss是不区分原图和破坏图的，对抗loss区分原图和对抗图，这样才是对抗的。

 3）认为是以不区分原图和破坏图为目的的人，大多是因为以下的公式，

认为不论d为0还是1的时候，及不论是原图还是破坏图，D的优化方向都是1.但是这只是在单个二分类中才是 这样的理解，但是作者论文中说明了输出维度是2， 

那此公式就是一个softmax loss！跟分类loss是一个形式，用于区分是原图还是不是原图。也就是说和 不是一个二分类器的输出，不是经过这个二分类器后原图输出1，破坏后的图也输出1.而是相当于有两个分类器，一个判别是不是原图，一个判别是不是破坏后的图，具体原理详见softmax。

4）作者的代码也证实了这一观点，2分类模式下的输出层（实际还可以有另一种模式，具体可以自己看代码）

 拿到这个输出之后是直接一个ce loss！

最后，探讨一下为什么对抗网络能有效果，对抗网络其实相当于让模型学习到了什么是RCM引入的噪声信息，也就是将原来的视觉特征空间分割成了噪声空间和有用空间，能让模型在分类的时候不要去拟合噪声空间。