概述
渐进式生长通过从微小分辨率开始并逐渐添加层以达到高分辨率图像来训练 GAN。这很重要，因为它首次使稳定、百万像素质量的 GAN 合成变得实用。
GAN 的渐进式增长属于计算机视觉工作流程，可解释或生成用于分析、操作和创造力的视觉媒体。
深入探讨
由卡拉斯等人介绍。 (NVIDIA) 2017 年，渐进式增长 (ProGAN) 解决了直接以高分辨率训练 GAN 的不稳定和缓慢问题。生成器和鉴别器都从很小的 4x4 像素开始，仅学习大规模结构。然后，在训练过程中，将分辨率加倍（8x8、16x16、最高 1024x1024）的新层对称地添加到两个网络中。至关重要的是，每个新层都使用线性 alpha 混合平滑淡入，因此网络不会因突然的架构变化而受到冲击。通过在精细细节之前学习粗略特征，训练更加稳定，收敛速度更快，并产生使 CelebA-HQ 结果闻名的高保真面孔。论文还引入了小批量标准差和均衡学习率来进一步稳定训练。
技术洞察
淡入是核心技巧。当添加更高分辨率的块时，其输出会使用从 0 到 1 的权重 alpha 与先前分辨率的上采样版本混合。这可以让新层的权重逐渐预热，而不是破坏网络已经学到的内容。鉴别器中发生对称过程。小批量标准偏差附加了一个总结批次变化的功能，防止生成器崩溃到有限的输出。
掌握 GAN 的渐进生长
渐进式生长通过从微小分辨率开始并逐渐添加层以达到高分辨率图像来训练 GAN。这很重要，因为它首次使稳定、百万像素质量的 GAN 合成变得实用。 GAN 的渐进式增长属于计算机视觉工作流程，可解释或生成用于分析、操作和创造力的视觉媒体。为了建立深入的理解，请将 GAN 的渐进式增长视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用渐进式增长 GAN 的强大团队会平衡准确性与数据质量、光照差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
生成高分辨率 CelebA-HQ 面部图像，展示 1024x1024 GAN 合成。
大规模生成卧室 (LSUN) 和物体等其他领域的高质量样本。
作为 StyleGAN 扩展用于可控面部生成的架构起点。
教授在级联和多尺度生成管道中重用的从粗到细的训练原理。
实施模式
GAN 在实践中的渐进式增长
生成高分辨率 CelebA-HQ 面部图像，展示 1024x1024 GAN 合成。
生成展示 1024x1024 GAN 合成的高分辨率 CelebA-HQ 人脸图像 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
GAN 在实践中的渐进式增长
大规模生成卧室 (LSUN) 和物体等其他领域的高质量样本。
大规模生成卧室 (LSUN) 和对象等其他领域的高质量样本 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
GAN 在实践中的渐进式增长
作为 StyleGAN 扩展用于可控面部生成的架构起点。
作为 StyleGAN 为可控人脸生成而扩展的架构起点，当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
GAN 在实践中的渐进式增长
教授在级联和多尺度生成管道中重用的从粗到细的训练原理。
教授在级联和多尺度生成管道中重复使用的从粗到精的训练原理当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。