标签：led input block sel 论文 htm 文章 void 数据
描述了生成对抗网络的新的训练方法
关键思想是通过渐进的方式训练生成器和鉴别器：从低分辨率开始，逐步添加新的层次，从而在训练进展中增加更精细的细节
还提出了一种增加生成图像变化的简单方法，并且在无监督的CIFAR10中实现了创记录的8.80的初始分数。
此外，描述了几个实现细节，这些细节对于抑制生成器和鉴别器之间的不健康竞争非常重要。
提出了一个新的衡量GAN结果的指标，无论是在图像质量和变化方面。
作为额外的贡献，构建了更高质量的CelebA数据集。
以往的 GAN 生成低分辨率图片稳定迅速，但生成高分辨率图片困难重重。这篇文章从简单的低分辨率图片开始同时训练生成器和判别器，然后逐层增加分辨率，让训练的难度每层只增加一点点。感觉就像是算法里面的暴力搜索到二分法搜索，大大提高了高分辨率图片的生成速度及质量。
以往没有好的办法去判断 GAN 生成的图片是好是坏，很多时候需要肉眼来看，有很大的主观性，而且人能检查的样本空间不够大。文章的第 5 节介绍了如何用统计的方法来直观的判断生成样本的好坏，采用的思路是在各个尺度上抽取 7x7 个像素的局域碎片，比较生成图片与训练图片的局域结构相似性。
GAN 生成图像的多样性不好量化，当判别器过强时生成器可能会塌缩到单个类。这篇文章不添加任何超参数，只是将所有属性在所有空间位置的统计标准差求平均，作为卷积神经网络 Feature Map 的一个常量通道，就得到了更好的多样性 。
使用了一种“local response normalization”方法来对 FeatureMap 做归一化，不清楚与 BatchNormalization 的效果相比有没有提升。
在 WGAN-GP 的正规化项中使用非常大的 gamma 因子，从公式上看当生成图片与训练图片相差过大时，大的 gamma 因子可以让生成分布快速漂移到训练图像分布。
论文最后说了一下还面临的一些情况：
与真实的写实主义相比，还有一段路要走：
http://mp.weixin.qq.com/s/1XkOEIlTD4Igr_Ws2sJvoQ
https://www.leiphone.com/news/201710/tPXkf1dcoGDqv5HD.html
http://research.nvidia.com/publication/2017-10_Progressive-Growing-of
标签：led input block sel 论文 htm 文章 void 数据
原文地址：http://www.cnblogs.com/flyu6/p/8007329.html
