我们在前两篇篇文章里分别学习了StyleGAN2是怎样消除液滴伪影,又是怎样利用PPL来提升图像质量的,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【表1】中的“B +Weight demodulation”。
StyleGAN2探骊得珠(三):论文解读与注释,二代是怎样利用PPL来提升图像质量的?
上面这篇文章的内容对应于【表1】中的“C +Lazy regularization”和“D +Path length regularization”。
【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。
本篇文章将进一步学习StyleGAN2为什么放弃了渐进式生长(Progressive Growing)以及如何改善 1024x1024 分辨率上的图像输出质量,即【表1】中的“E +No growing, new G & D arch.”和“F +Large networks”所对应的内容。
论文的第4节论述了StyleGAN2是怎样对渐进式生长架构进行替换的。
4. 重新考虑渐进式生长
在使得高分辨率图像合成变得稳定这方面,渐进式生长很成功,但也造成了固有的特性伪影。其关键的问题在于,通过渐进式生长构造的生成器似乎对(图像)细节有很强的位置偏好ÿ