StyleGAN2探骊得珠（四）：论文精读与注释，二代为什么放弃了Progressive Growing？

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