การเติบโตอย่างก้าวหน้าของ GAN

It matters because it made stable, megapixel-quality GAN synthesis practical for the first time.

แนะนำโดย Karras และคณะ (NVIDIA) ในปี 2560 การเติบโตแบบก้าวหน้า (ProGAN) จัดการกับความไม่เสถียรและความล่าช้าของการฝึกอบรม GAN โดยตรงที่ความละเอียดสูง ทั้งตัวสร้างและตัวแยกแยะเริ่มต้นจากเล็กๆ ที่ขนาด 4x4 พิกเซล โดยเรียนรู้เฉพาะโครงสร้างขนาดใหญ่เท่านั้น เลเยอร์ใหม่ที่เพิ่มความละเอียดเป็นสองเท่า (8x8, 16x16, สูงสุด 1024x1024) จะถูกเพิ่มอย่างสมมาตรให้กับทั้งสองเครือข่ายตลอดหลักสูตรการฝึกอบรม สิ่งสำคัญที่สุดคือ แต่ละเลเยอร์ใหม่จะถูกจางลงอย่างราบรื่นโดยใช้การผสมผสานอัลฟ่าเชิงเส้น ดังนั้นเครือข่ายจึงไม่ตกใจกับการเปลี่ยนแปลงทางสถาปัตยกรรมอย่างกะทันหัน ด้วยการเรียนรู้คุณสมบัติคร่าวๆ ก่อนรายละเอียดเล็กๆ น้อยๆ การฝึกจะมีเสถียรภาพมากขึ้น บรรจบกันเร็วขึ้น และสร้างใบหน้าที่มีความเที่ยงตรงสูงที่ทำให้ผลลัพธ์ของ CelebA-HQ โด่งดัง บทความนี้ยังแนะนำค่าเบี่ยงเบนมาตรฐานแบบมินิแบทช์และอัตราการเรียนรู้ที่เท่ากันเพื่อทำให้การฝึกอบรมมีความเสถียรยิ่งขึ้น