标签：利用 样本 .com 效果 str https idt src 之间
Facebook 等人提出的 LAPGAN[2] 则是采用了这样的思想，在 GAN 基础上做出了改进。LAPGAN[2] 这个工作既有 project page，也有开源代码，是非常值得重视的工作。在实现 sequential version 的方式上，LAPGAN[2] 这个工作采用的是一种几十年前的 Laplacian Pyramid 的方式，也因此起名做 LAPGAN。
LapGan是用一个串联的网络，构成laplacian pyramid，生成从粗糙到精细的图片。
在金字塔的每一层级，使用GAN方法训练一个独立的生成式卷积网络模型。
利用自然图像的多尺度结构，构建一系列生成式模型。每个生成式模型抓取Laplacian金字塔的一个特定尺度的图像结构。
这一策略将原始问题转变成一系列更加可控的步骤。
生成器采样过程（sampling）：（图像经过下采样再上采样到原来大小时候会有信息丢失，丢失的信息构成残差图像）
给最后一层的生成模型Gk输入噪声向量Zk，去生成一个残差图像Ik
除了最高层属于一般GAN，后面都使用CGAN，输入噪声+从低分辨率上采样而来的图像生成残差图像。
这个方式主要的操作便是 downsample 和 upsample，而优势是每次只考虑样本和生成图像之间的残差的学习效果，某种程度上和 Residual Network 的思想是一样的。针对残差的逼近和学习，相对更加容易。于是，在这个思想上，便有了如下 LAPGAN 的学习过程：
金字塔有K层，表示有K个对抗网络，分别生成k个不同层次的图像，其中设定第K+1层为0。生成网络有所不同之处在于，将高层金字塔图像也作为输出，和噪音一起生成低层的图像，相当于一个CGAN（conditional generative adverarial net)。通过上述网络，就可以生成最后的高分辨率的图像。
标签：利用 样本 .com 效果 str https idt src 之间
原文地址：http://www.cnblogs.com/J-K-Guo/p/7718527.html
