2018最佳GAN论文回顾(上)( 八 )_摘要：受Reddit网站上讨论区的启发

a）出于调试的目的，我们可以确定那些有伪影的单元…… ， b）和c）把它们去掉了，以“修复”GAN 。

一个可以解决的问题是在生成的图像中有看得见的伪影。即使是一个训练很好的GAN有时也能产生一个极其不现实的图像，而这些错误的原因以前是未知的。现在我们可以将这些错误与导致视觉伪影的神经元联系起来。通过识别和阻止这些单元，可以提高生成的图像质量。

通过将某些单元设置为固定的平均值（例如，门），我们可以确保门将出现在图像中的某个位置。当然，这不会违反学过的分布统计（我们不能强迫门出现在空中）。另一个限制来自于这样一个事实，即一些对象与某些位置之间的联系是非常的紧密，以至于无法将它们从图像中消除。举个例子：不能简单地把椅子从会议室里删除掉，那样只会降低它们像素的密度或尺寸。

一种用于生成性对抗网络的基于生成器体系结构（A Style-Based Generator Architecture for Generative Adversarial Networks）