AIGC实战——ProGAN详解与实现

0. 前言

随着生成对抗网络 (Generative Adversarial Network, GAN) 变得更加稳定，由于损失函数和归一化技术的改进，研究人员开始将注意力转移到尝试生成更高分辨率的图像上。传统 GAN 最多只能生成分辨率为 256x256 的图像，并且仅向生成器添加更多按比例放大的层无济于事。
在本节中，我们将介绍能够生成 1024x1024 及更高分辨率的高分辨率图像的技术，Progressive GAN (有时缩写为 ProGAN)。这是第一个成功生成 1024x1024 高保真人脸图像的 GAN。高保真不仅意味着高分辨率，而且与真实面孔的相似度很高。我们可以生成高分辨率的面部图像，但是如果它有四只眼睛，那么它不是高保真度的。

1. ProGAN 原理

1.1 核心思想

在经典的 GAN 配置中，生成器输出形状是固定的。换句话说，训练图像的大小不会改变。如果要尝试将图像分辨率提高一倍，则可以在生成器体系结构中添加一个额外的上采样层，并从头开始进行训练，研