各种出色的GAN变体

2017-12-04 本文已影响0人 MiracleJQ

本文不涉及的内容

首先，你不会在本文中发现：

复杂的技术说明

代码（尽管有为那些感兴趣的人留的代码链接）

详尽的研究清单（点击这里进行查看链接：http://suo.im/2opXlF）

本文涉及的内容

关于 GAN 的相关主题的总结

许多其他网站、帖子和文章的链接，帮助你确定专注点

1. 理解 GAN

2. GAN：一场革命

1. DCGAN

2. 改进的 DCGAN

3. 条件性 GAN

4. InfoGAN

5. Wasserstein GAN

3. 结语

理解 GAN

如果你熟悉 GAN，可以跳过本节。

如果你正在阅读本文，很有可能已听说 GAN 大有前途。这种夸张说法合理吗？以下是 Facebook人工智能研究室主任杨立昆（Yann LeCun）对 GAN 的看法：

生成对抗网络（GAN）是过去十年机器学习中最有趣的想法。

我个人认为，GAN 有巨大的潜力，但我们还有很多事情要搞明白。

那么，什么是

GAN？接下来我将要对其做一个简要描述。如果你不熟悉并想了解更多，有很多很棒的网站有很好的解释。我个人推荐 Eric

Jang（链接：http://suo.im/4y0bxU）和 Brandon Amos（链接：http://suo.im/3Ur3DW）的博客。

GAN 最初由 Ian Goodfellow 提出，它有两个网络：生成器和鉴别器。两个网络在同一时间进行训练，并在极小极大（minimax）游戏中相互博弈。生成器通过创建逼真的图像来愚弄鉴别器，而鉴别器被训练从而不被生成器所愚弄。

训练概述

首先，生成器生成图像。它通过从简单分布中（例如正态分布）采样向量噪声

Z，然后将该矢量上采样到图像来生成图像。在第一次迭代中，这些图像看起来很嘈杂。然后，鉴别器被给予真、假图像，并学习区分它们。生成器稍后通过反向传播步骤接收鉴别器的「反馈」，在产生图像时变得更好。最后，我们希望假图像的分布尽可能接近真实图像的分布。或者，简单来说，我们希望假图像看起来尽可能貌似真实。

值得一提的是，由于 GAN 中使用的极小极大（minimax）优化，训练有可能相当不稳定。但是，有一些技巧可以用来使得训练更鲁棒。

这就是使得生成的脸部图像逐渐变得更加真实的一个例子：

前两个阶段 GAN 的输出结果。使用的数据集是 CelebA。

代码

如果您对 GAN 的基本实现感兴趣，这里是一些简短代码的链接：

Tensorflow（链接：http://suo.im/pLYbO）

Torch 和 Python（PyTorch）：[代码]（链接：http://suo.im/1LcbX5）[博客文章]（链接：http://suo.im/2V9ICE）

Torch 和 Lua

这些不是较先进的，但它们很好地抓住了核心思想。如果你正在寻找较佳实现来做自己的东西，请看下一节。

GAN: 一场革命

在这里，我将按照时间顺序大体描述一下过去几年出现的一些有关 GAN 的进展和类型。

深度卷积 GAN（DCGAN）

TL; DR：DCGAN 是 GAN 架构的第一大改进。它们在训练方面更稳定，并产生更高质量的采样。

[文章]（链接：https://arxiv.org/abs/1511.06434）

DCGAN 的作者着重于改进初始 GAN 的架构。我认为他们花了很长时间来做深度学习里最令人兴奋的事情：尝试很多参数！好极了！最后，它完全有了回报。除此之外，他们发现：

两个网络都必须进行批量归一化。

采用完全隐藏的连接层不是一个好主意。

避免池化（pooling），简单地跨越你的卷积！

ReLU 激活是你的朋友（几乎总是）。

DCGAN

也是相关的，因为它们已经成为实现和使用 GAN 的主要基准之一。在本文发表之后不久，Theano、Torch、Tensorflow 和

Chainer 中有容易获得的不同实现用于测试你所能想到的任何数据集。因此，如果你遇到奇怪的生成数据集，你完全可以责怪这些人。

在以下情况，你可能想要使用 DCGAN：

你想要比常规 GAN 更好的东西（或者说，总是）。常规 GAN 可以在简单的数据集上工作，但是 DCGAN 相比要好得多。

你正在寻找一个坚实的基准，以便与、较先进的 GAN算法进行比较。

从这一点上，我将描述的所有类型的 GAN 都被假定为具有 DCGAN 架构，除非明确说明。

改进的 DCGAN

TL; DR：一系列改进以前 DCGAN 的技术。比如，这个改进的基准允许生成更好的高分辨率图像。

[文章]（链接：https://arxiv.org/abs/1606.03498）

与 GAN 有关的主要问题之一是它们的收敛性。它是不能保证的，而且即使优化了 DCGAN 架构，训练仍然相当不稳定。在这篇文章中，作者提出了对 GAN 训练的不同增强方案。这里是其中的一些：

特征匹配：他们没有使生成器尽可能地欺骗鉴别器，而是提出了一个新的目标函数。该目标要求生成器生成与实际数据的统计信息相匹配的数据。在这种情况下，鉴别器仅用于指出哪些是值得匹配的统计信息。

历史平均：更新参数时，还要考虑其过去值。

单边标签平滑：这一点很简单：只需将你的鉴别器目标输出从 [0 = 假图像，1 = 真图像] 切换到 [0 = 假图像，0.9 =真图像]。是的，这改善了训练。

虚拟批量归一化：通过使用在一个参考批处理中收集的统计信息，避免同一批次的数据依赖性。它在计算上的代价很大，所以仅用于生成器。

所有这些技术都可以使模型更好地生成高分辨率图像，这是 GAN 的弱点之一。作为对比，请参见原始 DCGAN 与改进的 DCGAN 在 128x128 图像上的区别：

这些应该是狗的图像。如你所见，DCGAN 无法表征它们，而使用改进的 DCGAN，你至少可以看到有一些像小狗一样的东西。这也暴露了 GAN 的另一个局限，即生成结构化的内容。

你也许想要使用改进的 DCGAN，如果：

你想要一个改进版本的 DCGAN（我确信你原本不指望：P）以生成更高分辨率的图像。

条件性 GAN（CGAN）

TL; DR：这些是使用额外标签信息的 GAN。这会带来更好质量的图像，并能够在一定程度上控制生成图像的外观。

[来源文章]（https://arxiv.org/abs/1411.1784）

条件性 GAN 是 GAN 框架的扩展。这里我们有条件信息 Y 来描述数据的一些方面。例如，如果我们正在处理人脸，则 Y 可以描述头发颜色或性别等属性。然后，将该属性信息插入生成器和鉴别器。

具有面部属性信息的条件性 GAN 概述。

条件性 GAN 有趣的原因有两个：

1. 当你向模型输入更多信息时，GAN 学习利用它，因此能够生成更好的样本。

我们有 2 种方式来控制图像表示。没有条件性 GAN，所有的图像信息都被编码在 Z 中。有了 cGAN，当我们添加条件信息 Y 时，现在这两个

Z 和 Y 将编码不同的信息。例如，假设 Y 编码手写数的数字（从 0 到 9）。然后，Z 将编码所有不在 Y

中编码的其它变量。例如，可以是数字的样式（大小、重量、旋转等）。

MNIST 样本上 Z 和 Y 之间的差异。Z 固定在行上，Y 在列上。Z 编码数字的样式，Y 编码数字本身。

StackGAN

[article]（链接：https://arxiv.org/abs/1612.03242）[code]（https://github.com/hanzhanggit/StackGAN）：这篇文章与前一篇相似。在这种情况下，他们专注于通过同时使用

2 个 GAN 来提高图像的质量：Stage-I 和 Stage-II。Stage-I 用于获取包含图像「一般」构想的低分辨率图像。Stage

II 采用更多的细节和更高的分辨率来优化 Stage-I 的图像。据我所知，这篇在生成高质量图像里是较好的模型之一。请自己看：

你也许想要使用条件性 GAN，如果：

你有一个已标记的训练集，并希望提高生成图像的质量。

你想要明确控制图像的某些方面（例如，我想在这一特定位置生成这一尺寸的红鸟）。

InfoGANs

TL; DR：能够以无监督的方式在噪声向量 Z 的一部分中编码有意义的图像特征的 GAN。例如，对一个数字的旋转进行编码。

[文章]（https://arxiv.org/abs/1606.03657）

你有没有想过输入噪声 Z 在一个 GAN 中编码的信息是什么？它通常以非常「嘈杂」的方式编码图像不同类型的特征。例如，你可以选择 Z 向量的一个位置，并将其值从 -1 和 1 插值。这是你会在一个通过 MNIST 数字数据集训练的模型上看到的：

对 Z 插值。左上图像的 Z 位置设置为 -1。然后，它被内插到 1（右下图像）。

在上图中，生成的图像看上去像是数字

4 慢慢变换成「Y」（最可能的是 4 和 9 之间的混合）。所以，这就是我所指的通过嘈杂的方式编码这个信息：Z

的单一位置是图像多个特征的参数。在这种情况下，这个位置改变了数字本身（某种程度上从 4 到 9）和样式（从粗体到斜体）。然后，你无法定义 Z

的该位置的任何确切含义。

如果我们可以有一些

Z 的位置来表示和受限的信息会怎么样呢，就像 cGAN 中的条件信息 Y 一样？例如，如果第一个位置是一个 0 到 9

之间的值，它来控制数字的数量，而第二个位置控制其旋转，这会怎样呢？这正是作者在文章中提出的。有意思的部分是，与 cGAN

不同，他们以无监督的方式实现了这一点，无需标签信息。

将 Z 矢量分成两部分——C 和 Z——是他们成功的原因：

C 对数据分布的语义特征进行编码。

Z 编码该分布的所有非结构噪声。

他们如何强制

C 对这些特征进行编码？他们改变了损失函数以防止 GAN 简单地忽略 C。因此，他们采用一个信息理论的规则，来确保 C

与生成器分配之间的高互信息。换句话说，如果 C 改变，生成的图像也需要改变。结果，你无法明确控制哪种类型的信息会被编码进 C，但 C

的每个位置都具有的含义。看一些视觉示例：

C 的第一个位置编码数字类别，而第二个位置编码旋转。

但是，不使用标签信息需要付出代价。这里的限制是这些编码仅适用于相当简单的数据集，例如

MNIST 数字。此外，你仍然需要「手工制作」C 的每个位置。例如在文章中，他们需要指定 C 的第一个位置是 0 到 9

之间的整数，因此它适用于数据集的 10 个数字类别。所以，你可能会认为这不是 100％无监督，因为你可能需要向模型提供一些小细节。

你也许想要使用 infoGAN，如果：

你的数据集不是很复杂。

你想训练 cGAN，但你没有标签信息。

你希望看到数据集的主要的有意义的图像特征是什么，并且可以控制它们。

Wasserstein GAN

TL; DR：改变损失函数以包含 Wasserstein 距离。结果，WassGAN 具有与图像质量相关的损失函数。此外，训练稳定性也提高了，而且不依赖于架构。

[文章]（https://arxiv.org/abs/1701.07875）

GAN 一直在收敛性方面存在问题，结果是，你不知道何时停止训练。换句话说，损失函数与图像质量不相关。这是一个头痛的大问题，因为：

你需要不断查看样本，以了解你的模型是否在正确训练。

你不知道何时应该停止训练（没有收敛）。

你没有一个量化数值告诉你调整参数的效果如何。

例如，看这两个能够完美生成 MNIST 样本的 DCGAN 的毫无信息量的损失函数图：

仅通过看这个图你知道什么时候停止训练吗？我也不行。

这个可解释性问题是

Wasserstein GAN 旨在解决的问题之一。怎么样？GAN 可被解释以最小化 Jensen-Shannon

发散，如果真和假的分布不重叠（通常是这种情况），则它为 0。所以，作者使用了 Wasserstein 距离，而不是最小化 JS

发散，它描述了从一个分布到另一个分布的「点」之间的距离。这大概是其主要思想，但如果你想了解更多，我强烈建议你访问这一链接（http://suo.im/1wmf2t）进行更深入的分析或阅读文章本身。

因此，WassGAN 具有与图像质量相关的损失函数并能够实现收敛。它也更加稳定，也就意味着它不依赖于架构。例如，即使你去掉批处理归一化或尝试奇怪的架构，它也能很好地工作。

这是 WassGAN 损失函数的图。损失越低，图像质量越高。整齐！

你也许想要使用 Wasserstein GAN，如果：

你正在寻找具有较高训练稳定性的较先进的 GAN。

你想要一个有信息量的可解释的损失函数。

结语

所以，现在就是这些！我知道还有更有趣的研究去评论，但在这篇文章中，我决定专注于一个有限的集合。只是举几个例子，下面是一些我没有评论的文章的简短列表，也许你想去看看：

GAN 应用于视频：https://github.com/SKTBrain/DiscoGAN

图像完成：https://arxiv.org/abs/1609.04802

GAN + 可变性 AutoEncoder 混合：https://github.com/junyanz/iGAN

向 GAN 添加一个编码器以重建样本：https://phillipi.github.io/pix2pix/

图像到图像的翻译：https://ishmaelbelghazi.github.io/ALI/

交互式图像生成：https://arxiv.org/abs/1512.09300

使用 GAN 增加图像质量：https://bamos.github.io/2016/08/09/deep-completion/

将鞋子变成等价的包（DiscoGAN）：http://web.mit.edu/vondrick/tinyvideo/

更广泛的研究列表，请查看此链接：https://github.com/zhangqianhui/AdversarialNetsPapers。

此外，在这个 repo（https://github.com/wiseodd/generative-models）中，你会发现 Tensorflow 和 Torch 中的各种 GAN 实现。

原文参考：