飞桨论文复现之《LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS》
课程地址：https://aistudio.baidu.com/aistudio/education/group/info/1340
这篇论文其实可以算是GAN的入门论文，把GAN实验重演了一遍。
效果
要点
主要描述为了增强Gan生成图与真实图片的三个方向：
- GAN的规模
- “裁剪技巧”
- 牺牲一定程度的稳定性
论文结论
通过训练2到4倍的参数和8倍的批量大小（batch_size）的模型来与当时的普通模型进行了比较，证明了GAN可以从batch_size和参数的放大中显着受益。
具体方式是采用了两个简单/通用的构架结构，可以通过修改来达到可伸缩性，并使用正则化方案，最终明显提高了性能。
可以看到，8倍的batch_size，明显提高了性能。batch_size从256提高8倍到2048，IS评价指标（inception score）从52.52提高到76.85。batch_size为2048时，channel数（平方正比于参数量）从64提高到96时，IS从76.85提升到92.98 。
在后面使用了一些其它诸如Shared/Skip-z/Ortho等技术措施后，IS最高提高到了99.31 。当然因为这篇论文是2019年的，且前面提到的都是比较常规的调参方法，所以性能提升有限，最高结果依然离人类实际图片的IS评价233分相差很远。
针对生成器的不稳定性，作者也进行了全面的解析和实验。
最终结论：加大模型规模可以提升模型效果
不同分辨率下模型结果评估
可以看到将训练集的尺寸从128提高到256，IS从98.8提高到144，还是相当可观的。