Abstract

基于风格的GAN架构（StyleGAN）在数据驱动的无条件生成图像建模中产生了最先进的结果。我们将揭露和分析其一些特征瑕疵，并提出模型体系结构和训练方法方面的更改以解决这些问题。特别是，我们重新设计了生成器规范化，重新审视了渐进式增长，并对生成器进行了正则化，以鼓励从隐编码到图像的映射中的良好条件。除了改善图像质量外，该路径长度正则器还带来了额外的好处，即生成器变得非常易于反转。这使得可以可靠地将所生成的图像归属于特定网络。我们进一步可视化生成器如何充分利用其输出分辨率，并确定容量问题，从而激励我们训练更大的模型以进一步提高质量。总的来说，我们的改进模型重新定义了无条件图像建模的现状，包括现有的分布质量指标和感知图像质量。