关于PatchGAN的理解

GAN一般情况下的网络结构，在一些人的实验中已经表明对于要求高分辨率、高细节保持的图像领域中并不适合，有些人根据这一情况设计了PatchGAN的思路。这种GAN的差别主要是在于Discriminator上，一般的GAN是只需要输出一个true or fasle 的矢量，这是代表对整张图像的评价；但是PatchGAN输出的是一个N x N的矩阵，这个N x N的矩阵的每一个元素，比如a(i,j) 只有True or False 这两个选择（label 是 N x N的矩阵，每一个元素是True 或者 False），这样的结果往往是通过卷积层来达到的，因为逐次叠加的卷积层最终输出的这个N x N 的矩阵，其中的每一个元素，实际上代表着原图中的一个比较大的感受野，也就是说对应着原图中的一个Patch，因此具有这样结构以及这样输出的GAN被称之为Patch GAN

我一开始对这里的概念也不是很明白，多方求证后才明白这个意思。我们可以看一下 Image-to-Image Translation with Conditional Adversarial Networks 这篇文章的大神是如何回复网友关于PatchGAN 的提问的， 问题具体的链接放在文章的末尾。

问题链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix/issues/39

————————————————

版权声明：本文为CSDN博主「xiaoxifei」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/xiaoxifei/article/details/86506955