はじめに

全体の概要は第1回で紹介しました。

今回は第2回で実装したグレーアイコン生成の精度改善を行っていきます。

手法

単純な話で、ディープラーニングに関しては一般的に層が深くなるにつれて精度が上がります。調整可能なパラメータが多くなるからです。

そこでResidual Networkを使って訓練に用いているネットワークの層を増やしてみました。

実験

実装はGithubに置きました。リンクはこちら

既存の実装の畳み込み層をResidual Blockに置き換えます。
比較としてGeneratorとDiscriminatorにResNet、GeneratorのみResNet、元のままを回します。
Generatorの表現力を上げることが目的なのでDiscriminatorのみResNetは行いません。

線画着色部分は前回と同様のものを使っています。

Generatorのみ層を厚くした場合、表現力が増して元よりも改善されました。

これとこれは結構いけてると思います。

Discriminatorも層を厚くした場合、Generatorのみよりも悪化しているように見えます。おそらくDiscriminatorのパラメータ数は元のままで十分で、パラメータ数を増やしたので学習のバランスが上手く行かなくなってしまったのだと思います。

線画着色のノイズが乗っていて見にくいですね。線画着色の方もResNetを入れたら良くなるかもしれないので試してみようと思います。

しかし思ったよりも改善しなかった印象でした。
Lossなどを出力して詳細に分析してみる必要がありそうです。

まとめ

Residual Blockを実装してGeneratorのパラメータを増やしました。
改善はまだまだ必要です。

第5回はResNetを線画着色にも入れていこうと思います。

書いた人のTwitter: @wina_S_1991