StyleGAN学习，Nvidia在PGGAN后的继续探索

@TOC

1.摘要

 作者提出，在当前生成对抗网络发展如此迅猛的情况下，生成器仍然属于一个黑盒子的性质。我们对于其图像生成的变化因素的控制和理解不够，对于$latent\,code$的作用仍不能更多的理解。并且，对于各种生成器进行定量的评估仍然没有很好的方法。 文章中的style更多的指的生成图像的属性，只是类似的结构经常被用在style transfer上面，所以取名StyleGAN 该文章主要有三个贡献：

1. 从风格转换的文献中受到启发，提出了一种用于生成对抗网络的生成器结构，这种新的结构可以在无监督的情况下自动学习高等属性的分割(例如在人脸数据集上的pose和身份一致性)和生成图像中随机的变化(例如人脸数据集中的头发，毛孔等)。并且支持直觉的，指定尺度的图像合成的控制。新的生成器表现良好并且更容易进行disentangle。
2. 为了更好的评估插值质量和解耦性质，提吃醋了两种全新的自动的方式可以适用于所有的生成网络。
3. 推出了一个新的，图像丰富并且高质量的人脸数据库。

2.Style-based generator

 传统的生成器和基于风格的生成器的结构的比较如下：  自顶向下我们可以看到两者的如下区别: 1). $latent\,code$的输入地点不同，传统的generator往往是直接送入网络，但是$style-based$首先经过一个$mapping\,network$之后再送入网络进行合成。该网络是一个八层的全连接层组成的网络。其经过如下变换:

2). $latent\, code$的送入地点不一样，style-based generator 将生成的$w=f(z)$经过每一层的一个单独的$Affine$变换成为$style$后送入生成其中的每一个子层，同时还多了随即采样的噪声，每一个经过单独的$Affine$变换后也会送入每一层进行运算。公式:

3). 每一层的结构不一样，style-based generator 的每层会将生成的分辨率上升两倍(像素数量上升两倍，即第一层的分辨率为44第三层就上升为88)。如图所示，第一层的输入为一个可以学习的$Const$其维度为44512。然后加上随机输入并变换后的噪声$noise_i$，接着进行AdaIN操作并在操作中融入$style_i$,接着进行33卷积操作，然后再次加上随即输入并变换的噪声$noise_{i+1}$，融入$style_{i+1}$进行AdaIN变换，最后进行上采样使分辨率在H和W的维度各扩大两倍，实现分辨率的逐渐上升，通过重复此步骤最终实现10241024的超高分辨率。