pggan学习笔记

（边学边更新）

1 、pggan的基本介绍

如果直接生成大分辨率的图片，建立从latent code 到 1024x1024 pixels样本的映射网络G，肯定是很难工作的，因为，在生成的过程中， 判别器D很容易就可以识别出G生成的“假图像”，G难以训练 。因此，提出PGGAN（progressive gan）来进行逐层训练。

训练开始于有着一个4*4像素的低空间分辨率的生成器和判别器。随着训练的改善，逐渐的向生成器和判别器网络中添加层，因此增加生成图片的空间分辨率。所有现存的层通过进程保持可训练性。这里N×N是指卷积层在N×N的空间分辨率上进行操作。这个方法使得在高分辨率上稳定合成并且加快了训练速度。右图展示了六张通过使用在1024 × 1024空间分辨率上渐进增长的方法生成的样例图片。 （如fig1）

当把生成器和判别器的分辨率加倍时，会平滑的增强新的层。这个样例解释了如何从16 × 16像素的图片转换到32 × 32像素的图片。（如fig2）

• 2x是指用最近邻卷积上采样将图片的长宽翻倍，而0.5x表示用平均池化的方法将图像长宽缩小一倍

• 关于toRGB &&from RGB : 因为此时生成网络最后的输出通道数不一定为3，所以需要toRGB将其转换为RGB三通道，具体操作时用1x1的卷积核进行卷积操作，fromRGB恰好相反

• 关于权重α：我们把在更高分辨率上操作的层视为一个残缺块, α表示新加入层的权重，当α=0时，相当于未加入这一层，当α=1时，就变成了一般的网络结构。α在训练过程中逐渐由小增大直至到1