2021

1 intro

• 论文研究的问题是：ViT是否可以在不使用卷积或池化的情况下完成图像生成任务
  • 即不用CNN，而使用ViT来完成图像生成任务
• 将ViT架构集成到GAN中，发现现有的GAN正则化方法与self-attention机制的交互很差，导致训练过程中严重的不稳定
  • ——>引入了新的正则化技术来训练带有ViT的GAN
  • ViTGAN模型远优于基于Transformer的GAN模型，在不使用卷积或池化的情况下，性能与基于CNN的GAN（如Style-GAN2）相当
  • ViTGAN模型是首个在GAN中利用视觉Transformer的模型之一

2 方法

• 直接使用ViT作为鉴别器会使训练变得不稳定。
  • 论文对生成器和鉴别器都引入了新的技术，用来稳定训练动态并促进收敛。
    • (1)ViT鉴别器的正则化；
    • (2)生成器的新架构

 2.1 ViT鉴别器的正则化

• 利普希茨连续（Lipschitz continuity）在GAN鉴别器中很重要
  • GAN笔记：利普希茨连续（Lipschitz continuity）_UQI-LIUWJ的博客-CSDN博客
• 然而，最近的一项工作表明，标准dot product self-attention层的Lipschitz常数可以是无界的，使Lipschitz连续在ViTs中被违反。
  • —>1，用欧氏距离代替点积相似度
    • 
  • —>2，在初始化时将每层的归一化权重矩阵与spectral norm相乘
    • 对于任意矩阵 A，其Spectral Norm定义为：
      • 
      • 也可以定义为矩阵 A 的最大奇异值
    • 
      • σ计算矩阵的Spectral Norm

2.2 设计生成器

3  实验