StyleGAN 架构解读（重读StyleGAN）精【2】

StyleGAN 架构解读（重读StyleGAN）精【1】_马鹏森的博客-CSDN博客_stylegan网络结构

StyleGAN 架构解读（重读StyleGAN）精【2】_马鹏森的博客-CSDN博客

StyleGAN 架构解读（重读StyleGAN）精【3】（总结StyleGAN1和StyleGAN2）_马鹏森的博客-CSDN博客

github-pytorch：GitHub - rosinality/style-based-gan-pytorch: Implementation A Style-Based Generator Architecture for Generative Adversarial Networks in PyTorch 

paper：StyleGAN versions 

---

AdaIN层：

作者这里实验了100次标准差，其中下图右侧越白的地方代表标准差越大，受噪声的影响越大

2. 训练技巧和评估

2.1.1 训练技巧-样式混合

2.1.2 训练技巧-截断技巧

低密度区域：表示它的分布占的比例比较低，所以这些区域的生成的效果可能不太好，比较长发的男性、短发的女性、一个眼睛的人....

 表示：平均的W
W：当前的W
 ：截断后的W

2.3.1 评估-路径长度

它进行了评估，是否是从A到B的最优路径，是否使用了最少的采样

 我们可以把它当成优化目标

 2.3.2 评估-线性可分性

H(Y|X) 越小，表示效果越好

3. 实验结果

消融学习

 A、基础的PGGAN
B、使用双线性上下采样而不是传统的线性采样（我感觉使用双线性采样提升很大啊）
也就是（StyleGAN 架构解读（重读StyleGAN）精_马鹏森的博客-CSDN博客_stylegan网络结构）中的1.2.7微调超参数
C、添加Mapping Network 和 style 
D、将传统输入删除
E、添加噪声控制细节
F、使用样式混合

 B、传统的Z输入
C、将Z变成由W控制的生成
D、添加了噪声的W
添加了样式混合

不同mapping network的影响

图像生成GAN课程第5.1节-StyleGAN v1详解_哔哩哔哩_bilibili