GAN 的逐步发展分多个阶段训练 GAN 网络。 在阶段 1,它采用潜在特征 z 并使用两个卷积层生成 4×4 图像。 然后,我们用生成的图像和 4×4 的真实图像训练判别器。 一旦训练稳定,我们在鉴别器中增加 2 个卷积层来将图像上采样到 8×8,并添加 2 个卷积层来下采样图像。 事实上,如果我们总共有 9 个阶段,我们可以生成 1024 × 1024 的名人形象图像。 渐进式训练加速并稳定了常规 GAN 训练方法。 大多数迭代都是在较低的分辨率下完成的,使用其他方法在图像质量相当的情况下,训练速度提高了 2-6 倍。 简而言之,它产生具有更好图像质量的更高分辨率图像。 这是完成所有训练阶段后的最终网络。 在每个阶段添加新层时,它会平滑淡入,权重α从0到1以下逐渐线性增加。 图像多样性 渐进式 GAN 还使用简化的 Minibatch 判别来提高图像多样性。 渐进式 GAN 计算小批量中每个空间位置的每个特征的标准差。 然后将它们平均以产生单个标量值。 它在鉴别器中的最新层之一处连接到所有空间位置和小批量。 如果生成的图像与真实图像不具有相同的多样性,则该值将不同,因此将受到判别器的惩罚。 权重初始化 渐进式 GAN 初始化过滤器权重 然后在运行时为每一层缩放权重 其中 c 是 特征归一化 对于生成器,每个卷积层的特征都被归一化。 |