《PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION》论文笔记

PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION

简介

论文主要针对GAN训练不稳定以及训练速度慢提出一种训练方法：训练过程中图像分辨率逐渐升高，同时网络层逐渐增加。

对于高分辨率图像，可能生成器所生成的图片与原始图片差距很大，很容易区分，那么在优化时，梯度很可能指向一个随机的方向，就会带来麻烦。在训练过程中逐渐提高分辨率可以防止这一问题。可以理解为：最初分辨率较低时网络可以找到一个大致的梯度方向，随着分辨率的提高再逐渐细化。

训练过程

训练时逐渐增加层的数目，如下图所示

增长的细节如下图所示，其中$\alpha$α由0~1线性增长，使得网络能够平稳过渡

其他细节

1. 网络结构如下图所示；
2. 为了保证学习率对不同特征都是合适的，对各个特征进行缩放；
3. 为了防止G与D因模式崩溃而逐步增长，作者提出在G的每个卷积层后对每个像素的feature进行归一化；
4. 网络训练时使用Adam优化策略，$\alpha = 0.001, \beta_1 = 0, \beta_2 = 0.99, \epsilon = 10^{-8}$α=0.001,β1​=0,β2​=0.99,ϵ=10−8；
5. 训练时随着图像分辨率的上升，minibatch size逐渐减小；
6. 在每个minibatch上轮流优化G和D，也即设置 $n_{critic} = 1$ncritic​=1；
7. loss函数使用Wassertein loss，在D的loss中增加一项，以防止其输出值过大

   $L' = L + \epsilon_{drift}E_{x \in P_r} [D(x)^2]$L′=L+ϵdrift​Ex∈Pr​​[D(x)2]