分析与改进 StyleGAN 的图像质量
计算机视觉与模式识别
2020-03-25 v2 机器学习
神经与进化计算
图像与视频处理
机器学习
摘要
基于风格的 GAN 架构（StyleGAN）在数据驱动的无条件生成图像建模中取得了最先进的结果。我们揭示并分析了其若干典型伪影，并针对这些问题提出了模型架构与训练方法的改进。具体而言，我们重新设计了生成器归一化，重新审视渐进式生长，并对生成器进行正则化以促使从潜码到图像的映射具备良好的条件数。除了提升图像质量外，该路径长度正则化还带来一个额外好处：生成器变得显著更易求逆。这使得将生成图像可靠地归因于特定网络成为可能。此外，我们可视化了生成器对其输出分辨率的利用情况，并发现一个容量问题，从而促使我们训练更大的模型以进一步提升质量。总体而言，我们改进后的模型在现有分布质量指标与感知图像质量两方面均重新定义了无条件图像建模的最先进水平。
引用
@article{arxiv.1912.04958,
title = {Analyzing and Improving the Image Quality of StyleGAN},
author = {Tero Karras and Samuli Laine and Miika Aittala and Janne Hellsten and Jaakko Lehtinen and Timo Aila},
journal= {arXiv preprint arXiv:1912.04958},
year = {2020}
}