GANs是如何創造出高分辨率的圖像的

GANs是如何創造出高分辨率的圖像的，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

下面主要介紹DCGAN的適應漸進式增長創建高分辨率圖像的思路

深度卷積生成對抗網絡是2020年最精致的神經網絡體系結構。生成模型可以追溯到60年代，但是Ian Goodfellow在2014年創造的GAN，使得生成模型跟那個廣泛的使用，這對于深度學習的未來有著前所未有的價值。

GAN知識要點

生成器根據噪聲向量重建樣本，該樣本應與訓練分布不可區分

生成器是主要的目標，一旦我們對它的結果滿意，就可以丟棄鑒別器

由于這兩個神經網絡都是可微的，我們可以使用它們的梯度來引導它們朝著正確的方向

主要思路

生成器和鑒別器都以4×4像素開始。順便說一下，這是由Ian Goodfellow提出的。

漸進增長要求在訓練過程中同時擴展生成器和鑒別器的能力。層的增量添加允許模型有效地學習粗層次的細節，并在之后為雙方學習更精細的細節。

這種增量性質允許訓練首先發現圖像分布的大規模結構，然后將注意力轉移到越來越精細的尺度細節上，而不必同時學習所有尺度。

Progressive Growing of GANs for Improved Quality, Stability, and Variation, 2017.

這種增量模式利用了一種稱為跳躍連接的東西來連接新的塊到鑒別器的輸入。此外，一個加權參數alpha控制新塊的影響。Alpha從0開始，隨著訓練的進行線性增加到1。

對生成器的更改

生成器必須添加一個新的卷積層塊，輸出一個32x32的圖像，在使用最近鄰插值之前，將其與16x16層的輸出連接起來。

許多GAN發生器使用轉置的卷積層對圖像進行上采樣。

對鑒別器的更改

鑒別器必須通過添加新的卷積塊和跳過連接來適應支持32x32的圖像大小。然后輸出圖像使用平均池下行采樣，以便它可以作為現有的16x16塊的輸入。

同樣，大多數GANs使用步長2來獲得相同的輸出格式。

小批量的鑒別

與批處理歸一化類似，研究人員已經提出了一種在兩個網絡中實現層歸一化的方法。這被稱為小批量鑒別。由于GAN傾向于僅捕獲訓練數據中發現的變異的一個子集，因此此方法可以在一定程度上解決這個問題 。讓我們看看這是如何做到的

1. 首先我們計算每個小批量中每個特征的標準差。

2. 然后我們對這些估計的總體特征進行平均，得到一個單一的值

3. 該值連接到小批上的所有空間位置，產生一個額外的特征映射。

關于GANs是如何創造出高分辨率的圖像的問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。