深度学习《patchGAN》

这一篇比较简单，于是也就简单学习下。

在以往的GAN学习中，判别器D网络的输出是一个标量，介于0~1之间，代表是真实图片的概率。

而patchGAN则是输出是NxN的矩阵X，每一个元素x[i][j]表示一个patch，对应于图像的一个感受野，最后取各个patch部位的均值来表示最后总的来看是真实图片的概率。

直观上理解就可以了，普通GAN输出一个数，像是一言堂，PatchGAN输出一个矩阵，最终结果求平均，考虑到图像的不同部分的影响，就像考虑了多人的建议然后给出决定。

实际上，一些研究表明对于要求高分辨率、高清细节的图像领域中，普通GAN判别器并不适合，由此引入了PatchGAN，它的感受域对于与输入中的一小块区域，也就是说，X[i][j]对应了判别器对输入图像的一小块的判别输出，这样训练使模型更能关注图像细节。

1.这种机制，将局部图像特征和整体图像特性相融合，这样的方法 通过每个patch 进行差别的判别， 实现了局部图像特征的提取和表征， 有利于实现更为高分辨率的图像生产；同时，对最后的 分类特征图进行平均后，也能够实现真实图片和虚假图片的相比。

2.单标量输出的更为精确的整体差异表示，相当于对整体进行加权求和平均，对于某些特征差异大的局部图像特征， 能够实现比传统的 D网络 更为合理的 损失表示。

学到了这里，发现很多GAN的设计都是可以糅合在一起，因为很多GAN都是部分结构上的设计的优化，因此可以组合起来形成更加强大的模型。