渐进式增长 GAN (PGAN)

import torch
use_gpu = True if torch.cuda.is_available() else False

# trained on high-quality celebrity faces "celebA" dataset
# this model outputs 512 x 512 pixel images
model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub',
                       'PGAN', model_name='celebAHQ-512',
                       pretrained=True, useGPU=use_gpu)
# this model outputs 256 x 256 pixel images
# model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub',
#                        'PGAN', model_name='celebAHQ-256',
#                        pretrained=True, useGPU=use_gpu)

模型的输入是一个形状为 (N, 512) 的噪声向量，其中 N 是要生成的图像数量。可以使用 .buildNoiseData 函数来构建它。模型有一个 .test 函数，它接收噪声向量并生成图像。

num_images = 4
noise, _ = model.buildNoiseData(num_images)
with torch.no_grad():
    generated_images = model.test(noise)

# let's plot these images using torchvision and matplotlib
import matplotlib.pyplot as plt
import torchvision
grid = torchvision.utils.make_grid(generated_images.clamp(min=-1, max=1), scale_each=True, normalize=True)
plt.imshow(grid.permute(1, 2, 0).cpu().numpy())
# plt.show()

您应该会看到一个与左侧图像相似的图像。

如果您想从头开始训练自己的渐进式 GAN 和其他 GAN，请查看 PyTorch GAN Zoo。

模型描述

在计算机视觉中，生成模型是经过训练以从给定输入创建图像的网络。在我们的案例中，我们考虑一种特定类型的生成网络：GAN（生成对抗网络），它学习将随机向量映射到逼真的图像生成。

渐进式生成对抗网络是 Karras 等人于 2017 年开发的一种方法 [1]，它允许生成高分辨率图像。为此，生成网络是逐层训练的。首先，模型被训练以构建非常低分辨率的图像，一旦收敛，就会添加新的层，输出分辨率会翻倍。这个过程持续进行，直到达到所需的分辨率。

要求

• 目前仅支持 Python 3

参考文献

[1] Tero Karras 等人，“渐进式生成对抗网络，用于改进质量、稳定性和多样性” https://arxiv.org/abs/1710.10196