论文为:PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION
摘要：
1.提出了一种新的训练对抗神经网络的方法。核心思想是逐步训练生成器和分别器：从低分辨率开始，随着训练进程推进，逐步增加新的层来提炼细节。这种方法不仅加快了训练速度并且更加稳定，可以产生高质量的图像
2.提出了一些实施的细节对于消除生成器和分辨器的不好的竞争
3.提出了新的方法来评估GAN产生的结果
首先从低分辨率的图像开始训练，然后逐渐增加生成器和分别器层数。这种逐步增加的训练方法能够首先训练图像的大框架，然后逐步转义注意力到细节上去，而不是一下子学完所有的东西。
使用的生成器和分别器彼此之间是镜像关系。当新的层被加入网络时，我们就平滑模糊。如图2所示，这样就避免给已经训练好的网络带来突然地变化
我们的训练首先输入4*4像素图片，然后输入8*8......1024*1024像素的图片（也就是分辨率越来越高），分辨率增高的同时，网络的层数也在增加
在（b）中，我们对那些处理高分辨率的层类似于残差模块一样（图b中确实是这样的，16*16经过加倍之后一个是直接输出，一个还要经过32*32层的处理在输出，最后用线性叠加的方式整合在一起，输出一个32*32的图片）。torgb表示将信息转换为rgb图。from rgb正相反，表示从彩色图中提取信息，他们都是1*1的卷积模块。当训练分类器的时候，我们用真实的图片降低分辨率到现在的分辨率。在分辨率转换的时候，使用类似于generate的方式，对以前的分辨率进行插值，然后线性组合两种分辨率
GAN网络层中的参数由于两个网络的不健康竞争，会变得很大。所以以前的人就提出了batch_norm法来使各个权重回归中间区域。但是作者他们却没有在GAN上发现这个问题，因此认为GAN的实际要求会限制参数的变大。作者使用了不同的方法，包含了两个元素，但这两个元素中都不包含可学习的参数
表2：每个网络主要是由三层模块组层的。最后一个1*1的卷积层在generator中的是torgb模块，在discriminator中的则是fromrgb模块我们从4*4分辨率的图片开始，训练网络直到我们给descrimnator训练完800k张真实图片。然后我们交替进行两个步骤：训练第一个3层模块用800k张图，稳定网络.....
降采样和升采样2*2的average pooling
minibatch，在图像分辨率小的时候大，后面随着分辨率越来越高，minibatch越来越小