机器学习笔记 - 基于Torch Hub的渐进式GAN架构

一、渐进式GAN架构

        Progressive GAN 的架构细节，使其能够生成高分辨率图像。 此外，我们将了解如何使用 Torch Hub 导入预训练的 PGAN 模型，并在我们的项目中使用它来生成高质量的图像。

        2014 年生成对抗网络的诞生及其有效地对任意数据分布进行建模的能力，席卷了计算机视觉社区。 然而，在它们出现后的很长一段时间内，GAN 的生成能力仅限于为相对低分辨率的数据集（例如，MNIST（28×28图像）、CIFAR10（32×32图像）等）生成样本。这可以归因于生成对抗网络难以捕捉底层数据分布的几种模式和高分辨率图像中复杂的低级细节。这在实践中受到限制，因为现实世界中的应用通常需要以高分辨率生成样本。

        因此而诞生的渐进式增长技术，它在弥合这一差距和使 GAN 能够以更高分辨率生成高质量样本方面发挥了关键作用，这对于各种实际应用至关重要。

        下图说明了构成PGAN基础的渐进式增长范式。具体来说，我们从一个生成低分辨率图像的生成器和一个相应的鉴别器开始，该鉴别器将生成的图像作为输入以及调整为尺寸的真实图像。

         生成器学习对图像分布的高级结构进行建模。逐渐地，新的层被同步添加到生成器和鉴别器中，使它们能够处理更高分辨率的