L-WaveBlock: A Novel Feature Extractor Leveraging Wavelets for Generative Adversarial Networks

本文介绍了一种新颖而稳健的特征提取器L-WaveBlock，它利用离散小波变换（DWT）和深度学习方法，旨在加快GAN生成器的收敛速度，同时提高其性能。通过使用DWT，L-WaveBlock能够高效地捕捉结构和纹理细节，并将特征图分成多个尺度的正交子带，同时保留重要信息。实验结果表明，L-WaveBlock在三个数据集上都表现出了显著的实用性，包括道路卫星图像数据集、CelebA数据集和GoPro数据集。使用L-WaveBlock不仅能够加快收敛速度，还能在每个数据集上获得有竞争力的结果。在地图数据集上，所提出的方法实现了3.6959的Inception分数和0.4261的结构相似性指数；在CelebA数据集上，实现了29.05的峰值信噪比和0.874的结构相似性指数。虽然在图像去噪数据集上表现不如现有技术，但仍比传统方法更快地收敛。因此，L-WaveBlock成为一种强大而高效的工具，可以提高基于GAN的图像生成的性能，展现出在图像分辨率、图像生成和图像去噪等多个数据集上具有优越的收敛速度和竞争性能。

提高GAN生成图像的效率和性能，解决特征提取的问题。

提出一种新的特征提取方法L-WaveBlock，结合离散小波变换和深度学习方法，能够更快地收敛GAN生成器并提高性能。

L-WaveBlock在三个数据集上都取得了优秀的结果，包括地图数据集、CelebA数据集和GoPro数据集。实验结果表明，L-WaveBlock能够更快地收敛GAN生成器并提高性能。论文提出的方法在图像分辨率、图像生成和图像去噪方面都表现出了竞争力。论文还开源了代码。

相关论文包括： 1. Progressive Growing of GANs for Improved Quality, Stability, and Variation by T. Karras et al. at NVIDIA 2. Wasserstein GAN by M. Arjovsky et al. at New York University 3. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks by A. Radford et al. at OpenAI