渐进式图像重构网络：像画画一样重构图像( 六 )_选自arXiv作者：ShengYou、NingYou、Mi

架构优势。如图 3 所示，本文的方法在重构高频图像方面具有优势。具体来说，研究人员将 U 网络架构与本文的 G_1-2 架构（图 3d/e）进行了比较。来自 BicycleGAN（pytorch 版本项目）的 U 网络生成带有更多棋盘效应伪影的粗糙高频细节，导致逐步提高图像质量变得异常困难。

输入的稀疏性。如图 4 所示，本文的模型对一组固定的参数不太敏感，其中 C 和σ是控制稀疏性的 K 均值算法和 Canny 算法的超参数。和预期相一致，如果输入的信息越详细，那么输出的结果也会更好。

定性评估

手绘草图转化。研究人员设计了一款用来绘制草图的绘图软件，它可以依次分别记录边缘和颜色域。此外，此外，研究人员可以方便地观察到实时合成的草图和输出的转化结果，如图 5 和图 1(b) 所示。补充材料中展示了该交互式软件的 demo。一方面，边缘在生成内容方面起着重要作用，虽然输入信息非常稀疏，但是由于模型的优秀泛化能力，仍然可以生成各种细节，如刘海（图 5c/d/h）、嘴（图 5f）、头发（图 5a/b/g）。另一方面，模型在高保真合成图像的边缘和颜色域之间进行权衡。