【少样本图像生成】TOWARDS FASTER AND STABILIZED GAN TRAINING FOR HIGH-FIDELITY FEW-SHOT IMAGE SYNTHESIS 论文阅读笔记
开源代码： https://github.com/odegeasslbc/FastGAN-pytorch
首先这篇文章会分析一下模型的效果，优缺点，然后再解释网络结构。
模型效果分析
从论文里的图来看，效果是很不错的。以下是用1024x1024像素在2080-Ti GPU上训练的，数据集大小1000.左边训练了20小时，右边训练了10个小时。
细看的话还存在不少瑕疵，比如右边的男人图片有生成长发的错误。
再由于我个人需求，对动漫人物的生成做一下重点分析。这是对比了StyleGAN2和本文模型的效果，两个模型同样都训练了10个小时。粗看是没有什么问题的。然后是细节上的问题：两只眼睛颜色、大小会不一样（这个缺点我记得有一篇论文解决了，忘记是哪个了，之后补充一下。）头发和帽子也存在问题。根据作者公开的数据集，anime face数据集大小为120张512x512大小的图片。
然后是我人用了自己的数据集（399张相同动漫人物的图片），按照源代码的默认参数训练的模型。效果差强人意。训练了10000个迭代，每个迭代4 batch size。可以看到虽然每张图片都把人物的特点（帽子，帽子上的标，桃花，梅花眼）捕捉到了，但是人物却出现扭曲。如果要把这个模型适配到动漫人物，大概还需要参照其他模型做一下改变。
接下来就是技术上的部分了。
模型结构
整体网络结构包含一个generator，一个discriminator。作者对generator做了精简，在每一个分辨率只包含了一个卷积层，在大于512分辨率的高层只使用了3通道。这些都使得模型训练速度很快，而且也不大（G和D总共155MB）。
G中有一个创新结构——Skip-Layer channel-wise Excitation（SLE）模块。从名字来看，是残差块ResBlock里的skip-layer的变种，ResBlock可以让网络深度变得很深（网络太深会出现梯度消失\爆炸问题），但需要的计算资源较高。
看图，左边就是这个模块的网络结构。下面详细介绍一下：
这是ResBlock的结构。
对比Skip-Layer Excitation（SLE）模块和ResBlock，有几个区别：
- ResBlock最后是对两个特征图做的加法，而SLE做的是乘法。加法要求两个特征图分辨率相同，而乘法则没有这个要求，节约了大量计算。
- SLE拥有分离style和content的性质，它的输入有两个大小不一样的特征图，如果把小一点的特征图改为style图片，就可以实现风格迁移。
然后我们再看G的整体结构，稍微对模型做一下修改，它就可以生成任意大小（局限于2的次方）的图片。
接着是基于自监督学习的Discriminator。
它的实现思路很简单，不过效果惊人（以我做实验的数据来看，只有部分细节差强人意）：将D视作一个encoder，然后用一个小型decoder辅助训练。encoder从图片里提取特征，然后这些特征被输入到decoder里面要求根据特征重建图片。这样就可以迫使D学习到特征的准确性（训练的时候重建效果远好于G，有没有可能出现数据泄露的问题？）。
decoder也是从零开始训练的，它只用了重建损失做训练。（公式里，G(f)是decoder从D提取的特征图再重建的图片，T(x)是对real sample做处理，使其可以计算损失）
思路和CycleGAN是有一些像的，只是本文里额外用了一个小decoder重建，而不是用G。（这样做的效果也许是减轻了运算压力？）
下面是整体D的结构。
省去一些细节的部分，可以看到decoder是在16x16像素和8x8像素进行重建的，分别重建的是图片的局部和整体。下面有一张我训练得到的重建图，可以看到重建效果是很不错的。（有一个奇怪的点是Loss一直没下降，所以会不会是D的问题？）
总体loss为（采用了hinge loss）：
