PGGAN:Progressive Growing of GANs for Improved Quality, Stability, and Variation
简述:
本文为改善品质、稳定性和变异而逐步改进的GAN。做了以下贡献:
1是提出了一种新的生成对抗网络的训练方法(PGGAN)
2描述了一些对于阻止生成器和鉴别器之间的不健康竞争非常重要的实现细节
3我们提出了一种新的度量方法来评价GAN的成像质量和变化
4我们还构建了一个更高质量的CELEBA数据集。
本文首次可以实现1024×1024人脸图像,以往128×128的人脸图像都还达不到足够的清晰度。
问题or相关工作:
1.模型:
本文主要贡献是GANs的一种训练方法,称作progressive growing 。意思是从低分辨率图像开始,然后通过向网络添加层逐步增加分辨率,如下图。这种增量本身允许训练首先发现图像分布的大规模结构,然后将注意力转移到越来越精细的尺度细节上,而不是同时学习所有的尺度。
下图可以看到,本文的训练从发生器(G)和鉴别器(D)开始,它们都具有4×4像素的低分辨率。随着训练的深入,我们逐步增加G和D层,从而增加0生成图像的空间分辨率。在整个过程中,所有现有的层都可以进行训练。这里N×N是指在N×N空间分辨率下操作的卷积层。这种方法相较于传统GAN有两点优势,一个是增大了训练的稳定性,使我们能够使用WGAN-GP可靠地合成百万像素级的图像,而是同时也大大加快了训练速度,速度大约是传统方法的2-4倍。在右边我们展示了6张使用渐进增大(1024×1024)生成的示例图像。