Analyser et améliorer la qualité d’image de StyleGAN

Auteurs: Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten, Jaakko Lehtinen, Timo Aila Description: L’architecture GAN basée sur le style (StyleGAN) produit les derniers résultats de la génération inconditionnelle de modélisation d’image basée sur les données. Nous exposerons et analyserons certains de ses artefacts caractéristiques, et proposerons des changements dans l’architecture du modèle et les méthodes de formation pour résoudre ces problèmes. En particulier, nous avons repensé la normalisation du générateur, réexaminé la croissance incrémentale et régularisé le générateur pour favoriser de bonnes conditions dans le mappage du code latent à l’image. En plus d’améliorer la qualité de l’image, le dispositif de réglage de la longueur du trajet apporte également des avantages supplémentaires, c’est-à-dire que le générateur devient très facile à inverser. Cela permet d’attribuer de manière fiable l’image générée à un réseau spécifique. Nous visualisons en outre comment le générateur utilise pleinement sa résolution de sortie et identifions les problèmes de capacité, ce qui nous motive à former des modèles plus grands pour améliorer encore la qualité. En général, notre modèle amélioré redéfinit la dernière technologie de modélisation d’image inconditionnelle en termes d’indicateurs de qualité de distribution existants et de qualité d’image perçue.