渐进式生长 GAN 以提升质量、稳定性和多样性
神经与进化计算
2018-02-28 v3 机器学习
机器学习
摘要
我们描述了一种用于生成对抗网络（GAN）的新训练方法。其核心思想是渐进式地生长生成器和判别器：从低分辨率开始，随着训练的进行添加新的层以建模日益精细的细节。这既加快了训练速度，又极大地提高了稳定性，使我们能够生成前所未有的高质量图像，例如 分辨率的 CelebA 图像。我们还提出了一种简单的方法来增加生成图像的多样性，并在无监督 CIFAR10 任务中达到了 8.80 的创纪录 Inception Score。此外，我们描述了几种对于抑制生成器和判别器之间不良竞争至关重要的实现细节。最后，我们提出了一种新的评估 GAN 结果的指标，涵盖图像质量和多样性。作为额外贡献，我们构建了更高版本的 CelebA 数据集。
引用
@article{arxiv.1710.10196,
title = {Progressive Growing of GANs for Improved Quality, Stability, and Variation},
author = {Tero Karras and Timo Aila and Samuli Laine and Jaakko Lehtinen},
journal= {arXiv preprint arXiv:1710.10196},
year = {2018}
}
备注
Final ICLR 2018 version