Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks

NIPS 2015 

　　摘要：本文提出一种 generative parametric model 能够产生高质量自然图像。我们的方法利用 Laplacian pyramid framework 的框架，从粗到细的方式，利用 CNN 的级联来产生图像。在金字塔的每一层，都用一个 GAN，我们的方法可以产生更高分辨率的图像。

　    引言：在计算机视觉领域，构建好的 产生式模型 是自然图像中比较基层的问题。但是，高分辨率的图像，仍然很难产生。我们提出一种方法，能够产生大致看起来很像的场景，分辨率为：32*32 and 64*64 。为了达到这个目的，我们探索了 natural image 的多尺度结构，构建了一系列的产生式模型，每个 GAN 抓住了金字塔特定层的 image structure。这种策略，将原始的问题转化为 : a sequence of more manageable stages. 在每一种尺寸，我们利用 GAN 的思路构建 CNN 产生式模型。样本以  coarse-to-fine fashion 进行绘画，commencing with a low-frequency residual image。第二个阶段在下一个 level 采样 the band-pass structure，在 sampled residual 的基础上。接下来的 level 继续这个过程，总是在上一个 scale 的输出上进行，直到最后一个 level。所以，drawing samples 是一个有效的，直观的前向传播的过程：将随机的向量作为输入， 经过 deep convolutional networks 前向传播，然后输出一张图像。

论文笔记之：Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks