شبكات التوليد المعاكسة التلافيفية العميقة ذات الدقة العالية

شبكات التوليد المتنافسة (GANs) [Goodfellow وآخرون، 2014] تواجه صعوبات في التقارب في الإعداد ذي الدقة العالية بسبب عدم استقرار معدل التقارب المعروف. من أجل تعزيز تقارب الشبكة في DCGAN (شبكات التوليد المتنافسة التلافيفية العميقة) [Radford وآخرون، 2016] وتحقيق نتائج ذات دقة عالية وجيدة المظهر، نقترح شبكة متعددة الطبقات جديدة تسمى HDCGAN، والتي تدمج التقنيات الرائدة حاليًا لهذا الغرض. كما يتم تقديم آلية تسمى النظارات، وهي تعمل على تحسين النتائج النهائية التي تم إنشاؤها بواسطة GAN بشكل تعسفي عن طريق زيادة حجم الإدخال بمعدل تكبير ζ.نقدم أيضًا مجموعة بيانات جديدة خالية من التحيز، Curtó & Zarza، تحتوي على وجوه بشرية من مجموعات عرقية مختلفة في ظروف إضاءة متنوعة وأدوات صورة مختلفة. يتم تعزيز Curtó بصور اصطناعية تم إنشاؤها بواسطة HDCGAN، مما يجعلها أول مجموعة بيانات للوجوه تم تعزيزها باستخدام GAN. نجري تجارب مكثفة على CelebA [Liu وآخرون، 2015]، CelebA-hq [Karras وآخرون، 2018] وCurtó. يعتبر HDCGAN الحالة الرائدة حاليًا في إنشاء الصور الاصطناعية على CelebA، حيث حقق مؤشر MS-SSIM قدرًا قيمته 0.1978 ومقياس المسافة الفريشيت للاستقراء (FRÉCHET Inception Distance) قدره 8.44.