LapGAN

　　Facebook 等人提出的 LAPGAN[2] 則是採用了這樣的思想，在 GAN 基礎上作出了改進。LAPGAN[2] 這個工做既有 project page，也有開源代碼，是很是值得重視的工做。在實現 sequential version 的方式上，LAPGAN[2] 這個工做採用的是一種幾十年前的 Laplacian Pyramid 的方式，也所以起名作 LAPGAN。 

　　LapGan是用一個串聯的網絡，構成laplacian pyramid，生成從粗糙到精細的圖片。

 　  在金字塔的每一層級，使用GAN方法訓練一個獨立的生成式卷積網絡模型。

　 利用天然圖像的多尺度結構，構建一系列生成式模型。每一個生成式模型抓取Laplacian金字塔的一個特定尺度的圖像結構。 
    這一策略將原始問題轉變成一系列更加可控的步驟。 

生成器採樣過程（sampling）：（圖像通過下采樣再上採樣到原來大小時候會有信息丟失，丟失的信息構成殘差圖像）

　　

給最後一層的生成模型Gk輸入噪聲向量Zk，去生成一個殘差圖像Ik 

 

除了最高層屬於通常GAN，後面都使用CGAN，輸入噪聲+從低分辨率上採樣而來的圖像生成殘差圖像。

這個方式主要的操做即是 downsample 和 upsample，而優點是每次只考慮樣本和生成圖像之間的殘差的學習效果，某種程度上和 Residual Network 的思想是同樣的。針對殘差的逼近和學習，相對更加容易。因而，在這個思想上，便有了以下 LAPGAN 的學習過程： 

 

 

金字塔有K層，表示有K個對抗網絡，分別生成k個不一樣層次的圖像，其中設定第K+1層爲0。生成網絡有所不一樣之處在於，將高層金字塔圖像也做爲輸出，和噪音一塊兒生成低層的圖像，至關於一個CGAN（conditional generative adverarial net)。經過上述網絡，就能夠生成最後的高分辨率的圖像。