重新思考 StyleGAN2 中的图像跳过连接

基于 StyleGAN 的各种模型因其稳健的训练稳定性和卓越的性能而在图像合成领域获得了显著的关注。在 StyleGAN 框架中，采用图像跳过连接优于传统残差连接。这一偏好仅基于经验观察；迄今为止尚未对其进行深入的数学分析。为纠正这一情况，本文旨在阐明图像跳过连接的数学意义，并引入一种 groundbreaking 的方法，称为图像压缩连接，该方法显著提高了图像合成质量。具体而言，我们分析了图像跳过连接技术以揭示其问题，并提出了该方法不仅有效提升了 GAN 的性能，而且还减少了所需的网络参数数量。在 various 数据集上进行的大量实验表明，所提出的方法一致地提高了基于 StyleGAN 的最新模型的性能。我们认为，我们的发现代表了图像合成领域的重要进展，为未来的研究和应用指明了新的方向。