概述
漸進式生長透過從微小分辨率開始並逐漸添加層以達到高解析度影像來訓練 GAN。這很重要，因為它首次使穩定、百萬像素品質的 GAN 合成變得實用。
GAN 的漸進式成長屬於電腦視覺工作流程，可解釋或產生用於分析、操作和創造力的視覺媒體。
深入探討
由卡拉斯等人介紹。 (NVIDIA) 2017 年，漸進式成長 (ProGAN) 解決了直接以高解析度訓練 GAN 的不穩定和緩慢問題。生成器和鑑別器都從很小的 4x4 像素開始，只學習大規模結構。然後，在訓練過程中，將解析度加倍（8x8、16x16、最高 1024x1024）的新層對稱地添加到兩個網路中。至關重要的是，每個新層都使用線性 alpha 混合來平滑淡入，因此網路不會因突然的架構變化而受到衝擊。透過在精細細節之前學習粗略特徵，訓練更加穩定，收斂速度更快，並產生使 CelebA-HQ 結果聞名的高保真面孔。論文還引入了小批量標準差和均衡學習率來進一步穩定訓練。
技術洞察
淡入是核心技巧。當添加更高解析度的區塊時，其輸出會使用從 0 到 1 的權重 alpha 與先前解析度的上取樣版本混合。這可以讓新層的權重逐漸預熱，而不是破壞網路已經學到的內容。鑑別器中發生對稱過程。小批量標準差附加了一個總結批次變化的功能，防止生成器崩潰到有限的輸出。
掌握 GAN 的漸進生長
漸進式生長透過從微小分辨率開始並逐漸添加層以達到高解析度影像來訓練 GAN。這很重要，因為它首次使穩定、百萬像素品質的 GAN 合成變得實用。 GAN 的漸進式成長屬於電腦視覺工作流程，可解釋或產生用於分析、操作和創造力的視覺媒體。為了建立深入的理解，請將 GAN 的漸進式成長視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用漸進式成長 GAN 的強大團隊會平衡準確性與資料品質、光照差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
產生高解析度 CelebA-HQ 臉部影像，展示 1024x1024 GAN 合成。
大規模生成臥室 (LSUN) 和物體等其他領域的高品質樣本。
作為 StyleGAN 擴展用於可控臉部生成的架構起點。
教導在級聯和多尺度生成管道中重複使用的從粗到細的訓練原理。
實施模式
GAN 在實務上的漸進式成長
產生高解析度 CelebA-HQ 臉部影像，展示 1024x1024 GAN 合成。
產生展示 1024x1024 GAN 合成的高解析度 CelebA-HQ 人臉影像 當團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
GAN 在實務上的漸進式成長
大規模生成臥室 (LSUN) 和物體等其他領域的高品質樣本。
大規模生成臥室 (LSUN) 和物件等其他領域的高品質樣本 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
GAN 在實務上的漸進式成長
作為 StyleGAN 擴展用於可控臉部生成的架構起點。
作為 StyleGAN 為可控人臉生成而擴展的架構起點，當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
GAN 在實務上的漸進式成長
教導在級聯和多尺度生成管道中重複使用的從粗到細的訓練原理。
教授在級聯和多尺度生成管道中重複使用的從粗到精的訓練原理當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。