玩转StyleGAN2模型：教你生成动漫人物

正文字数：2840  阅读时长：6分钟

生成式对抗网络（GAN)是一种能够生成新内容的生成模型。由于其有趣的应用，如生成合成训练数据、创建艺术、风格转换、图像到图像的翻译等，这个话题在机器学习的领域中非常流行。

Posted by Fathy Rashad 

url : https://www.yanxishe.com/TextTranslation/2826

生成式对抗网络

GAN架构 [Image by Author]

GAN由2个网络、即发生器/生成器和鉴别器组成。生成器将尝试生成假样本，并欺骗鉴别器相信它是真实样本。鉴别器将尝试从真样本和假样本中检测生成的样本。这个有趣的对抗概念是由伊恩·古德费罗（Ian Goodfellow）在2014年提出的。已经有很多资源可以用来学习GAN，因此我不解释GAN以避免冗余。

我建议阅读Joseph Rocca 的这篇文章来了解GAN。

理解生成式对抗网络（GANs）

https://medium.com/m/global-identity?redirectUrl=https%3A%2F%2Ftowardsdatascience.com%2Funderstanding-generative-adversarial-networks-gans-cd6e4651a29

风格GAN2

2018年，NVIDIA发布了StyleGAN论文“A Style-Based Architecture for GANs”。该文提出了一种新的GAN生成器结构，允许他们控制生成的样本的不同层次的细节水平，从粗略的细节（如头部形状）到更精细的细节（如眼睛颜色）。

StyleGAN还融合了Progressive GAN的思想，即网络最初在较低分辨率（4x4）上训练，然后在稳定后逐渐添加更大的层数。通过这样做，训练时间变得更快，训练也更加稳定。

渐进式增长GAN [Source: Sarah Wolf]

StyleGAN进一步改进了它，增加了一个映射网络，将输入向量编码成一个中间的潜伏空间，w，然后将有单独的值用来控制不同层次的细节。

StyleGAN生成器架构 [Image by Author]

为什么要增加一个映射网络？

GAN的一个问题之一在于它的纠缠潜码表示（输入向量，z）。例如，假设我们有2个维度的潜伏码，它分别代表了脸的大小和眼睛的大小。在这种情况下，脸的大小与眼睛的大小高度纠缠在一起（眼睛越大，脸也越大）。另一方面，我们可以通过