馬爾可夫判別器（PatchGAN）
概念
- 馬爾可夫判別器是判別模型的一種。
- 基於
CNN的分類模型有很多種，很多網絡都是在最后引入了一個全連接層，然后將判別的結果輸出（輸出結點）。 - 馬爾可夫判別器則是不一樣，直觀來看，它完全由卷積層構成，最后輸出的是一個n*n的矩陣，最后取輸出矩陣的均值作為
True/False的輸出。 - 事實上，輸出矩陣中的每一個輸出，代表着原圖中一個感受野，對應了原圖的一片
（patch），而具有這樣結構的GAN被稱為PatchGAN。
優點應用
-
目前來看，在圖像風格遷移領域中，我們這里沿用
Gatys論文中關於風格遷移的想法，即風格遷移分為兩部分：內容部分和紋理部分。 -
內容部分是指生成圖像和原圖像在內容（語義）上的相似性；
- 紋理部分是指生成圖像和目標圖像在紋理上的相似性。
- 馬爾可夫判別器對於風格遷移中的超高分辨率、圖片清晰化有一定的高分辨率、高細節的保持。
-
目前，馬爾可夫判別器用於
Pix2Pix和CycleGAN等GAN網絡中。
感受域計算
- 每一層感受域的計算公式為：
input_size = (output_size-1)*k_stride+k_size- 感受域：輸出結點（輸出網絡中的每個結點）對輸入網絡的感受野的范圍（可以從輸出網絡大小反推感受野的大小）；
- input_size：為輸出結點感受域的大小；
- k_stride：卷積核的移動步長；
- k_size：輸入輸出之間卷積核的大小；
- 以之前分析的
CycleGAN代碼中的馬爾可夫判別器為例：
last_conv輸出（k_stride=1）- 假設其中一個節點，即
output_size=1，計算得到CK4的大小（input_size）為4； - 同理，假設
CK4_size = 4，則CK3_size = (4-1)*2+4=10； - 同理，
CK2_size = (10-1)*2+4=22； - 同理，
CK1_size = (22-1)*2+4=46； - 同理，
input = (46-1)*2+4=46，即input的感受域大小為94；
- 假設其中一個節點，即
- 參考博客：博客1、博客2、博客3包括實現代碼、更具體
光譜歸一化馬爾科夫判別器
待整理