KongCDY的专栏

训练一个GAN模型，通常需要比较多的数据（ffhq是7万），数据量少的话会导致判别器过拟合，回传的梯度无意义，从而导致生成器停止学习或崩掉。GAN本质上就是通过判别器找到生成图与真实图差异的部分，通过赋予相应位置权重（梯度）来提升生成效果。训练初期判别器关注整体形状，后期更关注细节。本文讨论如何使用较少的数据（几千张），通过数据增益方法，避免判别器过拟合，训练出好的生成器。一般的监督学习训练任务都会使用数据增益（旋转，颜色变换、加噪声等），但如果直接用到GAN的训练任务中，可能会导致增益泄露到生成器。比

简介本文做的模型是从一张语义图（分割里的semanticmask）生成相应的一张真实图，下图的第一行是输入，不同的颜色代表不同的语义类别，第二行到第三行是生成的真实图像，其中每一行对应一种风格，每行最左边的图例为风格样式。这篇文章最主要的地方就是讨论了normalization层在语义信息里的作用。之前的方法，normalization层会过滤掉语义图的语义信息。为什么呢，可以看下图...