渐进式增长 GAN 以提高质量、稳定性和变化性

ICLROct, 2017

渐进式增长 GAN 以提高质量、稳定性和变化性

Progressive Growing of GANs for Improved Quality, Stability, and Variation

Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen

TL;DR通过渐进增加模型层数的方法，生成对抗网络在训练中实现速度和稳定性的提升，并取得了空前的图像质量和变异性，同时提出了新的 GAN 结果评估指标，取得实验成功。（keywords 中包含：生成对抗网络、逐步增长、图像质量、Inception 分数、实现细节等）

Abstract

We describe a new training methodology for generative adversarial networks. The key idea is to grow both the generator and discriminator progressively: starting from a low resolution, we add new layers that model increasingly fine details as training progresses. This both speeds the training up and greatly stabilizes it, allowing us to produce images of unpr

generative adversarial network progressive growing image quality inception score implementation details

发现论文，激发创造

逐步增量式 GAN

通过新的正则化技术 - 逐步增强生成对抗网络（PA-GAN），逐步增加鉴别器的输入或特征空间的任务难度，从而使生成器能够不断地学习，这保留了原始 GAN 目标，不损害鉴别器的最优性并鼓励生成器和鉴别器之间健康的竞争，从而提高了 FID 得分的有效性。

Jan, 2019

动态增长的生成对抗网络

本文提出一种动态增长的 GAN 训练方法，将架构搜索技术作为一个交错步骤与梯度训练相结合，以周期性地寻求生成器和鉴别器的最佳架构增长策略，从而实现了逐步增长训练的好处和更广泛的架构设计空间的改进性能，实现了新的图像生成技术的最新进展，提供了生成器 - 鉴别器平衡和卷积层选择等 GAN 模型设计方面的建设性见解。

Jun, 2021

提高生成对抗网络的泛化能力和稳定性

本文通过分析实际情景下 GAN 的泛化能力，证明了原始 GAN 的损失函数训练得到的鉴别器的泛化能力较差，并提出了一种零中心梯度惩罚策略以改善鉴别器的泛化能力，并保证 GAN 的收敛和泛化。通过在合成和大规模数据集上的实验，验证了理论分析的正确性。

Feb, 2019

使用多个随机投影稳定 GAN 训练

本文提出了一种针对高维度情况下 GAN 训练不稳定的方法，即使用一个生成器同时生成多个不同低维度投影数据的判别器来提供连续的梯度，实验结果表明该方法能够生成较高质量的图像样本。

May, 2017

通过正则化稳定生成对抗网络的训练

通过提出一种新的正则化方法，我们克服了 GAN 模型分布和数据分布之间维度不匹配的局限性，并证明了该正则化方法在多种常见图像生成任务中的有效性。

May, 2017

采用分层 Wasserstein GAN 的逐渐增长方法，实现高分辨率视频生成

本研究提出了利用渐进生长的 GAN 模型生成高分辨率视频的方法，通过逐步增加空时卷积层训练模型，逐渐学习到空间外形和时间运动的信息。同时，作者引入 SWGAN 损失函数进行高维度视频数据的分布学习。在实验中，作者的模型取得了生成 256x256x32 分辨率逼真人脸视频的好成果，并在 UCF-101 数据集上创下记录性能。

Oct, 2018

分析并提高 StyleGAN 的图像质量

使用改进的模型结构和训练方法，对 StyleGAN 生成器的规范化、进化成长和正则化进行了重新设计，并引入了路径长度正则化器，以改善图像质量和生成器的可逆属性。通过可视化生成器对其输出分辨率的使用情况，识别容量问题并进行大规模模型的训练，使得该模型在无条件图像建模领域中的分布质量和感知图像质量均达到了最高水平。

Dec, 2019

逐步增长的生成对抗网络在卫星影像高分辨率语义分割中的应用

本研究使用递进增长的生成对抗网络对高分辨率卫星图像进行像素级分割，以分割建筑物屋顶。通过在 SpaceNet 版本 2 数据集上进行测试，相较于传统 GAN 训练，递进 GAN 训练获得了更高的测试准确性，达到了 93%。

Feb, 2019

训练 GAN 的改进技术

本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络（GANs）框架，并着重讨论了 GANs 的两个应用程序：半监督学习和图像生成。使用我们的技术，我们在 MNIST，CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果，并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本，呈现出 ImageNet 类可识别特征的学习过程。

Jun, 2016

DepthwiseGANs：用于逼真图像合成的快速训练生成对抗网络

本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法，并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明，DepthwiseGAN 可以在较短的训练期间内生成逼真的图像，但是模型容量对于生成建模仍然具有重要作用。

Mar, 2019