GAN生成高分辨率的图像存在的问题：
1.高分辨率图像特征丰富，很容易判断图像的真假。这放大了梯度问题，使得梯度不能指示正确的优化方向
2.由于内存的限制，生成高分辨率的图像，往往会降低batch_size,使训练不稳定。
3.生成样本的质量和多样性存在互斥关系，追求较高的质量可能会使图像的多样性下降。
Progressive Growing of GANs for Improved Quality, Stability, and Variation
生成高分辨率的图像（一种渐进式的训练）
先由低分辨率开始，逐步提高，开始时，G只有一层，生成4*4的图像，相应的D也只有一层，判断4*4的图像是真是假，低分辨率的真实样本可由普通的较高分辨率图像采样得到，先把这两个简单的网络训练的差不多，然后同时提高G与D的尺度，比如G加一层，由4*4的图像生成8*8的图像；D做相应的变化，再次训练的差不多，然后再增加网络的尺度。网络结构如下：
训练前期，低分辨率的图像捕捉数据的轮廓信息，而逐步添加的网络来增加图像的细节信息。
已经得到训练的层在之后也同样被再训练学习。如何利用这些初步训练的层。为了稳定，作者设计的结构如下：
假设a已经初步训练了，在网络扩展一层的同时，保留原结构，就是b中会有两个分支，alpha代表两个分支的权重，在G的末端将两个分支加一块，但是，会存在尺度不匹配的问题，因此将之前尺寸的图像使用差值法直接增大一倍，即结构中的2x