今天将和大家一起学习具有很高知名度的SNGAN。之前提出的WGAN虽然性能优越，但是留下一个难以解决的1-Lipschitz问题，SNGAN便是解决该问题的一个优秀方案。...我们将先花大量精力介绍矩阵的最大特征值、奇异值，然后给出一个简单例子来说明如何施加1-Lipschitz限制，最后一部分讲述SNGAN。...本篇所讲的SNGAN便是一种“严格”地解决了判别器1-Lipshcitz约束的方法。 1 最大特征值（奇异值） 我们从矩阵的特征值、奇异值开始说起。...接下来，我们将对这条思路进行补充、推广，最后得到SNGAN将是显而易见的事情了。...1-Lipschitz限制，并推导了SNGAN，最后给出了一个快速求解矩阵最大奇异值的方法。
图 1：当前最佳 GAN 模型（如 SNGAN）[36] 生成逼真图像，这些图像难以用主观评估法与真实图像进行比较。...正如我们在第 5 节中讨论的那样，与我们的指标（以表 2 中的 SNGAN 和 WPGAN-GP（10M）为例）不同，这些指标不足以精确地区别出当前最佳的 GAN 模型。...尤其是我们还对当前最佳的两个 GAN 模型（WGAN-GP[20] 和 SNGAN[36]）以及其他一些生成模型 [45,47] 进行了评估，以提供基线比较。...SNGAN* 指经过 850k 次迭代训练得到的模型。细节参考表 1 标题。 ? 图 4：改变生成图像数据集大小对 GAN-train 准确率产生的影响。...图 5：用真实图像和 SNGAN 生成的图像结合的数据集训练分类器的结果。 ? 表 4：用缩减的真实图像数据集训练的 SNGAN 的数据强化。
由于该应用任务需要多样性和质量良好，所以表格建议使用WGAN-GP，最小二乘LSGAN，RSGAN和SNGAN模型。LSGAN与RSGAN结合可以生成更高质量的图像。...正则化模型例如Loss Sensitive GAN和SNGAN展示了更好的泛化能力。 3、GAN是否需要正则化？如果需要，那么哪个有效？ 本文研究表明梯度惩罚可以提高图像质量但不能稳定训练。
https://github.com/pfnet-research/sngan_projection condition：不同时间，不同空间，不同条件，不同的传感器属性，不同物体属性。...code: cGAN https://github.com/pfnet-research/sngan_projection, Curiosity https://github.com/pathak22
相比于之前在损失函数中增加正则项的做法，SNGAN 提出了谱归一化 (spectral normalization) 来构造网络模型，使得无论网络参数是什么，都能满足 Lipschitz 约束。...如下图 SNGAN 生成结果为例，狗的身体结构存在很多错误和不完整的表达。 SAGAN 认为这是由于卷积模型难以捕捉到距离较远的特征，因此引入注意力机制，设计了如下的注意力模块。...其实，上面的条件采样，条件插值，模型训练对于 MMGeneration 中已支持的 SNGAN，SAGAN 也是同样适用的，欢迎大家随时使用并提出意见～
https://github.com/pfnet-research/sngan_projection ? ?
https://github.com/pfnet-research/sngan_projection cGANs with Projection Discriminator Takeru Miyato
这项研究主要是在GAN生成中加入了注意力机制，同时将SNgan的思想引入到生成器当中。
GAN 实现 如下图所示，项目作者提供了 18 + 个 SOTA GAN 的实现，包括 DCGAN、LSGAN、GGAN、WGAN-WC、WGAN-GP、WGAN-DRA、ACGAN、ProjGAN、SNGAN
MMGeneration 新功能 - 为 SNGAN，SAGAN，BigGAN 增加了新的实验结果 - 重构了 Translation Model 代码改进 - 增加了 PyTorch 1.9 的支持
往期精选 【GAN优化】GAN优化专栏上线，首谈生成模型与GAN基础 【GAN的优化】从KL和JS散度到fGAN 【GAN优化】详解对偶与WGAN 【GAN优化】详解SNGAN(频谱归一化GAN) 【GAN
第四期中，我们介绍了矩阵的特征值（奇异值）的本质、谱范数等内容，展示了如何施加1-Lipschitz，并介绍了一种可以完美解决1-Lipschitz的SNGAN， 第五期中，我们介绍了另一个与f-divergence
在多个数据集上对包括Progressive GAN、BigGAN和SNGAN在内的各种GAN体系结构进行的实验，证明了该方法的有效性。这项工作还表明，我们可以通过选择性反向传播技术来训练网络。
在StyleGAN和SNGAN投影架构下和Animal Face、Anime Face、Oxford Flower、CUB-200-2011和Caltech-256数据集中，研究人员提出的冻结判别器基准在无条件和有条件
参考链接： https://github.com/ pfnet-research/sngan_projection 这里我们主要讨论梯度惩罚（GP） 和光谱正则化（SN）方法，并在CELEBA-HQ-128
id=ByS1VpgRZ 代码：https://github.com/pfnet-research/sngan_projection 4.
以下是使用CycleGAN将SNGAN的输出从128x128增强到512x512的示例： 等待安装CycleGAN的过程是一个休息的好时机。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
即时通信 IM
对象存储
