本篇內(nèi)容介紹了“如何壓縮版styleGAN合成高保真圖像”的有關(guān)知識(shí)，在實(shí)際案例的操作過(guò)程中，不少人都會(huì)遇到這樣的困境，接下來(lái)就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

成都創(chuàng)新互聯(lián)公司成立以來(lái)不斷整合自身及行業(yè)資源、不斷突破觀念以使企業(yè)策略得到完善和成熟，建立了一套“以技術(shù)為基點(diǎn)，以客戶需求中心、市場(chǎng)為導(dǎo)向”的快速反應(yīng)體系。對(duì)公司的主營(yíng)項(xiàng)目，如中高端企業(yè)網(wǎng)站企劃 / 設(shè)計(jì)、行業(yè) / 企業(yè)門(mén)戶設(shè)計(jì)推廣、行業(yè)門(mén)戶平臺(tái)運(yùn)營(yíng)、app軟件開(kāi)發(fā)公司、手機(jī)網(wǎng)站制作設(shè)計(jì)、微信網(wǎng)站制作、軟件開(kāi)發(fā)、四川綿陽(yáng)服務(wù)器托管等實(shí)行標(biāo)準(zhǔn)化操作，讓客戶可以直觀的預(yù)知到從成都創(chuàng)新互聯(lián)公司可以獲得的服務(wù)效果。

pip install -r requirements.txtpython train.py --cfg configs/mobile_stylegan_ffhq.json --gpus 
StyleGAN2（左）與 MobileStyleGAN（右）的生成效果展示。     下面我們來(lái)具體看一下 MobileStyleGAN 架構(gòu)的方法細(xì)節(jié)。 
  MobileStyleGAN 架構(gòu)     MobileStyleGAN 架構(gòu)是在基于樣式生成模型的基礎(chǔ)上構(gòu)建的，它包括映射網(wǎng)絡(luò)和合成網(wǎng)絡(luò)，前者采用的是 StyleGAN2 中的映射網(wǎng)絡(luò)，該研究的重點(diǎn)是設(shè)計(jì)了一個(gè)計(jì)算高效的合成網(wǎng)絡(luò)。     MobileStyleGAN 與 StyleGAN2 的區(qū)別     StyleGAN2 使用基于像素的圖像表征，并旨在直接預(yù)測(cè)輸出圖像的像素值。而 MobileStyleGAN 使用基于頻率的圖像表征，旨在預(yù)測(cè)輸出圖像的離散小波變換 (DWT)。當(dāng)應(yīng)用到 2D 圖像，DWT 將信道轉(zhuǎn)換成四個(gè)大小相同的信道，這幾個(gè)信道具有較低的空間分辨率和不同的頻帶。然后，逆向離散小波變換(IDWT) 從小波域重建基于像素的表征，如下圖所示。    
StyleGAN2 利用跳遠(yuǎn)生成器（skip-generator），通過(guò)對(duì)同一圖像的多個(gè)分辨率的 RGB 值進(jìn)行顯式求和來(lái)形成輸出圖像。該研究發(fā)現(xiàn)，當(dāng)在小波域中對(duì)圖像進(jìn)行預(yù)測(cè)時(shí)，基于跳遠(yuǎn)連接（skip connection）的預(yù)測(cè)頭對(duì)生成圖像的質(zhì)量影響不大。因此，為了降低計(jì)算復(fù)雜度，該研究采用網(wǎng)絡(luò)中最后一個(gè)塊的單個(gè)預(yù)測(cè)頭替換跳遠(yuǎn)生成器。但從中間塊中預(yù)測(cè)目標(biāo)圖像對(duì)于穩(wěn)定的圖像合成具有重要意義。因此，該研究為每個(gè)中間塊添加一個(gè)輔助預(yù)測(cè)頭，根據(jù)目標(biāo)圖像的空間分辨率對(duì)其進(jìn)行預(yù)測(cè)。 
  

  
StyleGAN2 和 MobileStyleGAN 的預(yù)測(cè)頭區(qū)別。     如下圖所示，調(diào)制卷積包括調(diào)制、卷積和歸一化（左）。深度可分離調(diào)制卷積也包括這些部分（中）。StyleGAN2 描述了用于權(quán)重的調(diào)制 / 解調(diào)，該研究分別將它們應(yīng)用于輸入 / 輸出激活，這使得描述深度可分離調(diào)制卷積更加容易。 
  

  
 StyleGAN2 構(gòu)造塊使用 ConvTranspose（下圖左）來(lái) upscale 輸入特征映射。而該研究在 MobileStyleGAN 構(gòu)造塊（下圖右）中使用 IDWT 當(dāng)作 upscale 函數(shù)。由于 IDWT 不包含可訓(xùn)練參數(shù)，該研究在 IDWT 層之后增加了額外的深度可分離調(diào)制卷積。    
StyleGAN2 和 MobileStyleGAN 的完整構(gòu)造塊結(jié)構(gòu)如下圖所示： 
  

  
基于蒸餾的訓(xùn)練過(guò)程
    
  類似于此前的一些研究，該研究的訓(xùn)練框架也基于知識(shí)蒸餾技術(shù)。該研究將 StyleGAN2 作為教師網(wǎng)絡(luò)，訓(xùn)練 MobileStyleGAN 來(lái)模仿 StyleGAN2 的功能，訓(xùn)練框架如下圖所示。    
“如何壓縮版styleGAN合成高保真圖像”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！
            
            
                        

            網(wǎng)站標(biāo)題：如何壓縮版styleGAN合成高保真圖像            

            當(dāng)前網(wǎng)址：http://weahome.cn/article/ieoogp.html