[Papers-GAN]2018_05

【Papers-GAN】2018-05-04

　　本周完成情况：

　　一、论文阅读

　　1.论文标题：《SEMI-SUPERVISED LEARNING WITH CONTEXT-CONDITIONAL GENERATIVE ADVERSARIAL NETWORKS 》 CCGAN

　　2.论文内容：这个模型采用半监督学习的方法，基于对抗性损失来修补图像上缺失的部分。将随机补丁删除的图像输入给生成器，利用周围像素来进行填充，并将填充好的图像输入给判别器，来判别其是否是真的还是假的，这一任务可充当判别器标准监督训练的正则化器。在最近的context-encoder框架基础上做了改进，其一对于分类器提取的特征不是从encoder中提取，而是从discriminator网络中提取，因此本模型可以使用大型的VGG网络模型；其二对于encoder训练过程中需要考虑联合L2和对抗性loss来优化得到最佳图像修复效果，但是本模型只需要考虑对抗性loss即可。

　　3.论文创新：本模型对比了之前的CatGAN和semi-supervised GAN等模型，总结有以下三个优点：

　　　　　　i)充分利用了上下文信息context information;

　　　　　　ii)可以对高分辨率图像进行修复；

　　　　　　iii)判别器loss可以结合到上下文条件中。

　　二、论文实验

　　github上提供了cifar10和stl10数据训练CCGAN的代码，尝试将自己的数据加进去训练。

　　

【Papers-GAN】2018-05-11

　　本周完成情况：

　　一、论文阅读

　　1.论文标题：《High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs 》 pixpleHD

　　2.论文内容：采用multi-scale的Discriminator和coarse2fine的Generator能够有效帮助提升生成的质量。

　　3.论文创新：i) 所谓multi-scale的Discriminator是指多个D，分别判别不同分辨率的真假图像。比如采用3个scale的判别器，分别判别256x256，128x128，64x64分辨率的图像。至于获得不同分辨率的图像，直接经过pooling下采样即可。

　　　　　　　　ii) Coarse2fine的Generator是指先训一个低分辨率的网络，训好了再接一个高分辨率的网络，高分辨率网络融合低分辨率网络的特征得到更精细的生成结果。

　　另外有一篇LAPGAN的论文讲到：LAPGAN的做法，从低分辨率起步，通过不断生成高分辨率下的残差，累加得到高分辨率，也可以用来得到高质量图像。（没细看）

　　二、论文实验

　　1.编写python脚本小程序完成对数据集增强，包括旋转，变换和随机裁剪；以及完成对数据加随机噪声和模糊操作。