单张图像就可以训练GAN！

这里的判别器从来不将图像看做一个整体，通过这种方法，它就可以知道“真实的”图像补丁(patch)是什么样子。

这样，生成器就可以通过生成，在全局来看不同，但仅从补丁来看却相似的图像，来达到“欺诈”的目的。

在更高分辨率上工作的生成器，将前一个生成器生成的图像作为输入，在此基础上生成比当前还要高分辨率的图像。

所有的生成器都是单独训练的，这意味着在训练当前生成器时，所有以前的生成器的权重都保持不变。

这一过程如下图所示。

 

而在Adobe与汉堡大学的研究人员发现，在给定的时间内仅能训练一个生成器，并将图像(而不是特征图)从一个生成器传输到下一个生成器，这就限制了生成器之间的交互。

因此，他们对生成器进行了端到端的训练，也就是说，在给定时间内训练多个生成器，每个生成器将前一个生成器生成的特征(而不是图像)作为输入。

这也就是ConSinGAN名字的由来——并行的SinGAN，过程如下图所示。
 

然而，采取这样的措施又会面临一个问题，也就是过拟合。这意味着最终的模型不会生成任何“新”图像，而是只生成训练图像。

为了防止这种现象发生，研究人员采取了2个措施：

• 在任意给定时间内，只训练一部分生成器；
• 对不同的生成器采用不同的学习率(learning rate)。

下图就展示了使用这两种方法实现的模型。默认情况下，最多同时训练3个生成器，并对较低的生成器，分别将学习率调至1/10和1/100。

（编辑：鹤壁站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!