论文笔记：GAN Dissection: Visualizing and Understanding Generative Adversarial Networks-CSDN博客

本文链接：https://blog.csdn.net/stezio/article/details/89647278

本文探讨了如何将网络解剖方法应用于GAN，通过可视化和度量指标揭示了GAN生成图像的过程，强调了单个单元检测物体的能力，并发现不同网络层对应的不同语义特征。此外，研究还指出在鉴别器中使用minibatch标准差可以提升生成多样性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

翻译过来就是“解剖GAN”。本文主要对GAN生成图像过程进行了可视化，提供了理论支撑和可解释性。

motivation

作者称，在论文《Network dissection:Quantifying interpretability of deep visual representations》提出，分类网络中，当units(一个unit指一张特征图(channel=1))被上采样并阈值化之后可以近似定位到将要形成的object(翻译过来还是有点不明白)：

For image classification networks, Bau et al. (2017) has observed that many units can approximately locate emergent object classes when the units are upsampled and thresholded.
作者解释见 https://www.zhihu.com/question/57523080/answer/159650943

而后续工作《Interpreting deep visual representations via network dissection》提出，可以通过units和分割masks之间的一致性鉴别每个unit的语义：

we can identify the semantics of each unit (Zhou et al., 2015; Bau et al., 2017; Zhou et al., 2018a) by measuring agreement between unit activations and object segmentation masks.

同样是后续工作《Interpretable basis decomposition for visual explanation》提出，可以通过热力图解释单个网络决策，热力图高亮了网络中对分类预测贡献最多的区域：

We can explain individual network decisions using informative heatmaps (Zhou et al., 2018b; 2016; Selvaraju et al., 2017) or modified backpropagation (Simonyan et al., 2014; Bach et al., 2015; Sundararajan et al., 2017). The heatmaps highlight which regions contribute most to the categorical prediction given by the networks.

其实以上几篇的工作几乎都是同一个组完成的。。。这次他们将这个思想用到了GAN上。