1、目的

        在大型数据集上训练class-conditional GAN，并探索相关的trick

2、贡献

        1）数据集的扩大使得GAN的表现也随之提升。文章的网络参数量是之前工作的2~4倍，batch size是之前的8倍。文章分别从两方面对performance进行提升：scalability - architectural change；conditioning - regularization scheme

        2）发现了truncation trick，通过sampling technique来平衡variaty和fidelity的trade-off

        3）要想实现完全的训练stability，就必须大幅度牺牲performance

3、网络结构

        1）SA-GAN

        2）class information

                G：class-conditional BatchNorm（所有BatchNorm层使用shared embedding，linearly projected to each layer's gains and biases，以节省computation和memory损耗）

                D：projection

        3）2 steps D, 1 step G

        4）evaluation时，对G的weights moving average

        5）增加depth和width可以显著提升实验结果

        6）skip-z将noise向量z添加到网络多层中。BigGAN通过将z分为chunks，然后和conditional vector c并联；BigGAN-deep则直接将z和conditional vector c并联

4、创新性

        1）truncated normal

                z sampling: values fall outside a range are resampled to fall inside that range

                trade-off: threshold ↑，sample variety ↑，quality ↓

        2）Orthogonal Initialization

                truncated normal在一些模型下性能不好（这里我没看懂为啥不好，文章说会导致训练和测试的distribution shift？），可以通过让G smooth来中和该问题

                                ​​​​​​​        

                最终文章采用了改良版

5、局限性                

        1）会出现training collapse。训练不稳定的来源是G和D共同作用的结果。为了使得训练稳定，就需要牺牲最终的performance，因此不如直接用early stopping

         -> Generator

                每个weight matrix的top three singular values 对mode collapse是最informative的

                spectral normalization可以防止或者逐步增加和爆发，并且在一些情况下还能略微提升实验结果，但仍然无法完全制止training collapse

        -> Discriminator       

                G会周期性的产生会严重干扰D的batches

                  以0为中心的梯度惩罚使得训练更加stable，但是最终的performance严重下降

                D的loss逐渐接近0，但是在collapse时会迅速增加。因为D在训练集上过拟合了

        2）出现了新的failure类型。以往的生成模型的failure主要包括local artifacts、images consisting of texture blobs instead of objects、canonical mode collapse。文章发现了class leakage

                        ​​​​​​​        ​​​​​​​        ​​​​​​​