StyleGAN2探骊得珠（三）：论文精读与注释，二代是怎样利用PPL来提升图像质量的？

我们在上一篇文章里学习了StyleGAN2是怎样消除液滴伪影的，这是StyleGAN2论文讨论的最重要的一个问题，内容请参考：

StyleGAN2探骊得珠（二）：论文解读与注释，一代中的ARTIFACT是怎样产生的，二代网络中又是怎样消除它们的？

上面这篇文章的内容对应于下面【表1】中的“B +Weight demodulation”。

 

论文中，第二个重要问题是如何对生成图像的质量进行定量分析，并且找到提升图像质量的新的方法，本篇文章就围绕这个问题来继续学习和解读StyleGAN2的论文，其内容对应于下面【表1】中的“C +Lazy regularization”和“D +Path length regularization”。

论文引言（Introduction）部分的第4自然段，作者开宗明义：对于用生成（对抗网络）方法产生的图像，图像质量的定量分析依然是一个具有挑战性的主题。Fréchet Inception Distance（FID）测量的是（被分析图像在）两个分布密度上的差异，而这两个分布是在Inception V3分类器的高维特征空间上进行计算得到的。精确度和召回率（P&R）通过显式地量化提供了额外的可视性，其中精确度是指与训练数据相似的生成图像的百分比，召回率是指（生成的“真”图像占）可以被生成的训练数据的百分比。我们使用这些度量值来量化（StyleGAN2模型的）改进程度。

FID 和 P&R 都是基于分类器网络，最近的研究发现分类器网络聚焦于纹理，而不是聚焦于形状。因而，这两个度量值不能准确地捕捉到图像质量的所有方面。我们注意到感知路径长度（PPL）度量值与形状的一致性和稳定型相关，（最初）引入PPL是把它当做评估潜码空间插值质量的一种方法。基于这个发现，我们对合成网络进行正则化运算以利于实现平滑映射（见：第3节），由此在图像质量上取得了清晰可见的改进。为了抵消计算开销，我们也建议以更低的频次来执行所有正则化运算（即：后文所说的“延迟正则化”，lazy regularization），我们注意到这么做并不影响（正则化运算的）效果。

【表1】. 主要（测试）结果。对于每一轮训练，我们选用FID数值最低的训练快照。我们用不同的随机种子计算每个度量值10次，然后取它们的平均值写入报告。“路径长度”（Path length）这一列（数据）对应于PPL度量值，它基于W空间的路径终点进行计算。对于LSUN数据集，我们报告的路径长度没有采用（对图像进行）中心裁剪的方法，该方法最初提出时是为了让FFHQ（数据集）应用它。 FFHQ数据集包含了7万张图像，在训练过程中我们向判别器展示（或者说：投喂）了2500万张图像。对于LSUN CAR数据集，对应的数字是89.3万张与5700万张。

【图4】. 使用StyleGAN基线模型（【表1】中的配置 A）时，感知路径长度与图像质量之间的联系。（a）PPL数值较低（≤ 第10个百分位数&#