pix2pixHD笔记

pix2pixHD是pix2pix的重要升级，可以实现高分辨率图像生成和图片的语义编辑。对于一个生成对抗网络(GAN)，学习的关键就是理解生成器、判别器和损失函数这三部分。pix2pixHD的生成器和判别器都是多尺度的，单一尺度的生成器和判别器的结构和pix2pix是一样的。损失函数由GAN loss、Feature matching loss和Content loss组成。

 

pix2pixHD论文官方介绍视频

回顾pix2pix

pix2pix提供了一个统一的图像翻译(image-to-image-translation)的框架，整体的结构是conditional GAN。和原始conditional GAN不同的是，pix2pix生成器的输入没有噪声信息，只有条件信息。

生成器

生成器的结构是U net。有的GAN使用的是encoder-decoder模型作为生成器，但是相比之下，U-net效果会更好。因为上采样时加入了底层的特征信息。假设总共有n层，那么第i层和第n-i层之间有跳远连接。注意U-Net的跳远连接和ResNet的不同，和DenseNet相同，是按通道拼接的。

Encoder-decoder和U-Net的结构 图片来自原论文

 

Encoder-decoder和U-Net生成图片效果对比 图片来自原论文

判别器 PatchGAN

不同于直接判断图片是否是真实的，PatchGAN会分别判断N x N个patch是否为真，然后求平均值输出。L1损失可以使模型学到低频的特征，PatchGAN的结构可以使模型学到高频的特征（因为它关注的是局部的信息）。而且，当N比原图的尺寸小得多时依然有效。

这种方式类似马尔科夫随机场，因为超出一个patch半径的像素是无关的，而这和纹理（texture）、风格（style）的特点比较符合。因此PatchGAN可以理解为一种texture/style loss。

损失函数

传统的conditional-GAN的目标函数为

生成器最小化目标函数，判别器最大化目标函数。

一般会在cGANloss的基础上给生成器添加一个L2 loss，生成器不仅要骗过判别器，而且其生成的图片和ground truth之间的L2 loss要足够小。但是，pix2pix作者比较了L1 loss和L2 loss的区别，发现L2 loss生成的更模糊一点。因此pix2pix的目标函数为原conditional GAN的loss和L1 loss之和：

不同loss的效果对比 图片来自原论文

Dropout与多样性

原始cGAN的输入是条件x和噪声z两种信息，这里的生成器只使用了条件信息，因此不能生成多样性的结果。因此pix2pix在训练和测试时都使用了dropout，这样可以生成多样性的结果。

pix2pixHD

pix2pixHD的改进点有两个：

1. 高分辨率图像的生成。
2. 图片的语义编辑。

高分辨率图片的生成

为了生成高分辨率的图片，使用了：

• coarse-to-fine的生成器。
• multi-scale的判别器。这个比较简单，就是在三个不同尺度上判别，然后取平均。
• 更好的loss设计，总loss = GAN loss + Feature matching loss + Content loss。
• 使用Instance boundary map进行训练。

coarse-to-fine的生成器 图片来自原论文

如上图，生成的流程：图片先经过一个生成器  的卷积层进行2倍下采样，然后使用另一个生成器  生成低分辨率的图，将得到的结果和刚刚下采样得到的图进行element-wise的相加，然后输出到  的后续网络生成高分辨率的图片。

这么做的好处是，低分辨率的生成器会学习到全局的连续性（越粗糙的尺度感受野越大，越重视全局一致性），高分辨率的生成器会学习到局部的精细特征，因此生成的图片会兼顾局部特征和全局特征的真实性。如果仅使用高分辨率的图生成的话，精细的局部特征可能比较真实，但是全局的特征就不那么真实了。

图片来自原论文

pix2pix使用语义分割图进行训练，但是对于同一类的相邻物体，如上图(a）中的相连的汽车，它们之间是没有边界的，这样生成的时候会导致模糊。因此使用实例分割的图进行训练，因为它包含了相邻同一类别的不同物体之间的边界，也可以说instance-level semantic label map包含了每一个物体的单独的ID。

Instance boundary map如何得到？对semantic label map的每一个像素进行扫描，如果它和周围的四个像素的任意一个类别不一致，那么该像素位置为1，否则就是0。

Instance boundary map如何使用？把它和semantic label map的one hot向量拼接，然后送到生成器里面。

从下图中可以看到添加了instance map的网络对紧挨着的相同类物体的生成更加真实。

图片来自于原论文

图片的语义编辑

图片的语义编辑是一个新的有趣功能。从语义图到真实图的生成是一个一对多的映射，理想的模型应该可以根据同一个语义图生成真实且多样的图片。pix2pix的解决方法是在输入中增加一个低维特征通道。

1. 首先和GAN网络一起训练一个编码器。
2. 原始图片经过编码器，然后进行instance-wise average pooling操作，对每一个目标实例计算平均特征(Features)，来保证每个目标实例特征的一致性。这个平均特征会被broadcast到该实例的每一个像素位置上。
3. 输入图像比较多时，Features的每一类像素的值就代表了这类物体的先验分布。 使用编码器对所有训练图像提取特征，再进行K-means聚类，得到K个聚类中心，以K个聚类中心代表不同的风格。
4. 在推理阶段，从K个聚类中心选择某一个，和语义标签信息、实例信息结合作为输入，这样就能控制颜色/纹理风格。