出自Image-to-Image Translation with Conditional Adversarial Networks

原文如下

3.2.2 Markovian discriminiator (PatchGAN)

L2和L1損失函數有可能在圖像生成中造成模糊結果。盡管這些對高頻清晰度而言效果較差，但在許多情況下仍能準確地捕獲低頻。對于這些問題，我們不需要一個全新的網絡在低頻部分進行糾正。L1已經可以完成了。

這使得GAN的判別器僅模擬高頻結構，依靠L1來強制低頻部分的正確性。對于模擬高頻，只要將注意力限制在局部圖像塊中結構就可以了。因此，我們設計了一個判別器結構---我們叫它PatchGAN，只在補丁（patch）范圍內對結構進行懲罰。這個判別器嘗試在一幅圖的每個N×N大小的補丁上進行real or fake的判斷。我們在整個圖片上運行這個判別器，并對所有的結果取均值，以避免判別器的極端輸出。

在4.4部分，我們說明了N可以比image的尺寸小很多并且仍舊可以產生高質量的結果。這是有利的，因為一個更小的PatchGAN有更少的參數，運行更快，并且可以在任意大小的圖片上運行。

這種判別器將有效的將圖像建立為一個馬爾科夫隨機場，并假定像素間的獨立性大于補丁的直徑。[35]以前探討過這種聯系，也是紋理和風格模型的常見假設[15,19,14,23,20,34]。因此我們的PatchGAN也可以理解為一種風格/紋理損失。

總結

以上是生活随笔為你收集整理的PatchGAN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。