图像生成 GAN 进阶：从 DCGAN 到条件生成与渐进增长

生成对抗网络（GAN）自诞生以来，在图像生成领域不断突破。本篇教程将带你从基础概念出发，深入掌握三种里程碑式的进阶架构：DCGAN（深度卷积生成对抗网络）、Conditional GAN（条件生成对抗网络）以及 Progressive GAN（渐进增长生成对抗网络）。你将理解其原理、关键改进，并学会亲手实现可控、高分辨率的图像生成模型。

1. 回顾：生成对抗网络基础

GAN 由生成器（Generator, G）与判别器（Discriminator, D）组成，二者通过极小极大博弈相互对抗：

• 生成器：从随机噪声 z 生成逼真样本 G(z)，试图欺骗判别器。
• 判别器：区分真实样本 x 与生成样本 G(z)，输出真实概率。
• 优化目标：
  min_G max_D V(D,G) = E[log D(x)] + E[log(1 - D(G(z)))]

原始 GAN 使用全连接网络，存在训练不稳定、模式坍塌、生成质量差等问题。后续改进均围绕架构设计与训练策略展开。

2. DCGAN：将卷积引入生成对抗

DCGAN（Deep Convolutional GAN）首次将卷积神经网络成功应用于 GAN，成为图像生成领域的事实标准基线。其核心思想是用卷积层替换全连接层，并制定了稳定的架构规范。

2.1 DCGAN 架构革新

• 判别器：摒弃池化层，使用步幅卷积（strided convolution）逐步下采样，最后用全连接输出标量概率。使用 LeakyReLU 激活函数（斜率 0.2）。
• 生成器：使用转置卷积（transposed convolution）将低维噪声逐步上采样到高分辨率。除输出层使用 Tanh 外，其余层使用 ReLU 激活。
• 批归一化（Batch Normalization）：在生成器输出层和判别器输入层之外的每一层后加入 BN，稳定梯度流，加速收敛。

为什么有效：卷积的归纳偏置（平移等变性与局部感受野）非常适合捕捉图像的空间层级结构；批归一化缓解了内部协变量偏移，使生成器与判别器的训练更加同步。

2.2 训练技巧与稳定性提升

• 使用 Adam 优化器，学习率 0.0002，动量 β1 设为 0.5。
• 避免稀疏梯度：生成器用 ReLU 而非 Maxout，判别器用 LeakyReLU 保证梯度流通。
• 标签平滑：将真实样本标签设为 0.9 而非 1.0，防止判别器过度自信。
• 噪声向量从均匀分布或正态分布采样。

2.3 实践：用 DCGAN 生成人脸

以下 PyTorch 伪代码展示生成器核心结构：

class Generator(nn.Module):
    def __init__(self, z_dim, channels):
        self.main = nn.Sequential(
            nn.ConvTranspose2d(z_dim, 512, 4, 1, 0, bias=False),
            nn.BatchNorm2d(512), nn.ReLU(True),
            # 继续增加转置卷积层，每层尺寸翻倍
            nn.ConvTranspose2d(64, channels, 4, 2, 1, bias=False),
            nn.Tanh()
        )
    def forward(self, z):
        return self.main(z.view(*z.shape, 1, 1))

在 CelebA 数据集上训练约 25 个 epoch 即可生成较为逼真的人脸。DCGAN 还展示了噪声空间的语义算术性质（如“微笑女性 - 中性女性 + 中性男性”可获得微笑男性），为可控生成埋下伏笔。

3. 条件生成对抗网络：定向可控的图像生成

原始 GAN 只能从随机噪声无导向地生成图像。条件生成对抗网络（CGAN）通过向生成器和判别器注入条件信息（如类别标签、文本描述），实现“按需生成”。

3.1 CGAN 原理与标签嵌入

CGAN 的目标函数变为条件概率版： min_G max_D E[log D(x|y)] + E[log(1 - D(G(z|y)))]

• 条件融合方式：将离散标签 y 通过嵌入层（Embedding）映射为稠密向量，与噪声 z 拼接后输入生成器；判别器同样将标签嵌入与图像特征拼接。
• 多模态条件：条件不限于标签，可以是图像（图像到图像翻译）、文本（通过 RNN/LSTM 编码）等。

3.2 架构扩展与应用

• AC-GAN：判别器除了区分真假，还额外输出类别预测，使生成图像更贴合条件。
• cDCGAN：将 DCGAN 与条件结合，生成高质量的特定类别图像。
• 应用场景：文字生成图像（如 StackGAN）、图像修复、风格迁移等。

3.3 代码示例：基于 MNIST 的条件生成

生成器接收噪声 + 标签独热编码：

class CGAN_Generator(nn.Module):
    def __init__(self, z_dim, num_classes, img_size):
        self.label_emb = nn.Embedding(num_classes, z_dim)
        self.model = nn.Sequential(
            nn.Linear(z_dim * 2, 256), nn.ReLU(),
            nn.Linear(256, img_size), nn.Tanh()
        )
    def forward(self, z, labels):
        c = self.label_emb(labels)
        x = torch.cat([z, c], 1)
        return self.model(x)

训练时只需在损失计算中传入标签，即可控制生成数字。判别器同样需要拼接标签信息。

4. 渐进增长 GAN：高分辨率生成的里程碑

直接生成 1024×1024 图像会导致训练极度不稳定。Progressive GAN（PGGAN）提出从低分辨率开始，逐步增加网络层的策略，成功生成前所未有的逼真高清图像。

4.1 分级训练策略与网络增长

• 渐进增长：初始阶段生成器和判别器仅包含 4×4 分辨率的浅层网络。训练稳定后，平滑地增加新层，分辨率逐倍提升（4→8→16→…→1024）。
• 平滑过渡：新增层采用**淡入（fade-in）**技术，用加权残差连接将新层输出与旧层输出混合：
  • x' = (1-α)·old_layer(x) + α·new_layer(old_layer(x))
  • α 从 0 线性增长到 1，保证训练平稳。
• 独立保持：过渡完成后，移除残差，网络以全分辨率继续训练。

4.2 像素归一化与微调机制

• 像素归一化（Pixel Normalization）：在每个像素位置将特征向量归一化为单位长度，防止信号爆炸，尤其在没有批归一化的高分辨率层效果显著： b_{x,y} = a_{x,y} / sqrt(1/N * Σ a^2_{x,y} + eps)
• Minibatch Std Deviation：判别器加入小批次标准差统计量，提高生成样本多样性，缓解模式坍塌。
• 均衡学习率（Equalized Learning Rate）：对权重动态归一化，确保所有可学习参数以相同速度更新。

4.3 PGGAN 变体与 StyleGAN 简介

PGGAN 的思想直接启发了 StyleGAN 系列：

• StyleGAN 引入映射网络和风格调制，将噪声映射为中间风格向量，通过 AdaIN 控制每层生成风格。
• 渐进增长机制依然保留，但进一步改进了生成器结构（如去除输入层、加入噪声注入），实现更解缠和可控的生成。
• StyleGAN2 和 StyleGAN3 解决了“水滴”伪影，改进了平移不变性。

5. 对比总结与进阶方向

进阶方向：自注意力机制（SAGAN）、BigGAN（大规模条件生成）、VQGAN + Transformer（文本到图像爆发的基础）、扩散模型（当前主流）。

6. 动手实践：搭建你的进阶 GAN 项目

6.1 环境配置与数据集准备

• Python 3.8+, PyTorch 1.13+, torchvision, CUDA 推荐。
• 数据集：小型实验采用 MNIST 或 FashionMNIST；高分辨率实验使用 CelebA、LSUN 或自己的图片集。

6.2 从头实现一个条件 DCGAN

以生成指定类别的 FashionMNIST 图像为例，结合 DCGAN 与条件嵌入：

1. 初始化：噪声维度 100，标签类别 10。
2. 生成器：转置卷积 + BN + 条件拼接。
3. 判别器：卷积 + LeakyReLU + 标签嵌入与特征图拼接。
4. 训练循环：交替更新 D 和 G，损失计算时均传入标签。

6.3 渐进增长训练循环设计

实现 PGGAN 的核心在于分辨率调度器：

phases = [4, 8, 16, 32, 64, 128]  # 目标分辨率序列
for phase, target_res in enumerate(phases):
    fade_alpha = linspace(0,1, fade_epochs) if phase>0 else None
    for epoch in range(epochs_per_phase):
        for batch in dataloader:
            # 根据alpha决定是否使用新旧层混合
            gen_imgs = generator(noise, alpha=alpha, stage=phase)
            ...
    # 阶段结束，固化新层，准备下一个分辨率

训练时需动态调整数据加载器的分辨率，并注意 GPU 显存随分辨率增长而增加。

7. 常见问题与调优建议

• 模式坍塌：生成样本单一。使用 Minibatch Discrimination、特征匹配损失，或转换为 WGAN-GP 框架。
• 训练不稳定：降低学习率，检查 BN 位置，确保生成器/判别器能力平衡。
• 高分辨率模糊：增加网络深度，尝试残差连接，或采用 PGGAN 的渐进策略。
• 条件生成不匹配：强化条件损失权重，或使用 AC-GAN 辅助分类器。
• 显存不足：减小批次大小，使用梯度累积，或采用混合精度训练。

通过掌握 DCGAN、CGAN 与 Progressive GAN 的设计哲学，你已获得构建高级生成模型的坚实基础。将这些模块灵活组合，便能针对不同任务定制高效、可控、高清晰的图像生成系统。