[StackGAN++实践] 网络训练

网络改进

2018 IEEE PAMI文章，在2017ICCV StackGAN基础上，进行了一些改进。

1. 首先，StackGAN只用了两个GAN，分为两阶段分开训练；改进版将其一般化，可以有多个scale的GAN，并且联合训练；

2. 鉴别器使用conditional 与 unconditional 损失，区别就在于鉴别器输入的文本信息c的有无。这在StackGAN代码中已有实现；
   
   

3. Color-consistency regularization。让不同scale的GAN的合成图像的像素的均值，方差保证一致。
   
   实验上，新增了数据集ImageNet 的dog/cat、 LSUN的bedroom/church，评价指标上使用IS、FID、和Human rank

网络结构

网络训练

• 鉴别器损失：real pairs、fake pairs、wrong pairs（每项又分别包含condition与 uncondition ）
• 生成器损失：KL、Color regularization、fake pairs

训练192轮次后，结果如下：

各个损失图：

官方pytorch源码

实现细节

1、GLU (gated linear unit)代替了ReLU；
2、所有GAN同时联合训练，不分成多个stage；