#论文笔记# [pix2pixHD] High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs...

Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Andrew Tao, Jan Kautz, and Bryan Catanzaro. "High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs", in CVPR, 2018.

摘要：

我们提出了一个新方法，使用CGANs从语义标签图生成高分辨率的逼真图像。CGANs已经被应用在多种场景，但是其结果总是局限在低分辨率，还不够真实。在这个工作中，我们通过一个新的对抗损失，新的多尺度生成器和判别器架构，来生成2048x1024的吸引人的结果。此外，我们还通过两个附加特性将框架扩展到交互式可视化操作。首先，我们合并了物体的实例分割信息，它支持对物体的操作，例如删除/添加对象和更改对象类别。此外，我们提出了一种方法，在相同的输入条件下生成不同的结果，支持用户交互式地更改物体外观。人类的意见研究表明，我们的方法明显优于现有的方法，提高了深度图像合成和编辑的质量和分辨率。

介绍

实现以下功能：
主功能：通过一个新的对抗损失和多尺度生成器、判别器来生成高清图像，同时perceptual loss可进一步略微提高合成效果。
交互式拓展1：使用实例级物体分割信息，可进一步提高图像质量，实现对物体的灵活修改（物体增删，换类别）。
交互式拓展2：提取实例级特征，实现一对多的图像生成，支持物体的特征编辑。

方法

1. 主功能

主功能是一个coarse to fine的过程。分为三个部分：coarse-to-fine generator, multi-scale discriminators, improved adversarial loss。

• coarse-to-fine generator
  生成器由两个子网络G1和G2组成，其中G1是全局生成器，G2是局部增强生成器。
  G1的架构是基于[22]的，有三部分：a convolutional front-end G1(F) , a set of residual blocks G1(R) [18], and a transposed convolutional back-end G1(B)。输入输出的分辨率均为1024*512。
  G2的结构与G1相同，三部分G2(F), G2(R), G2(B)。不同于G1的是，G2的输入标签图和输出图像分辨率为2048*1024。另一个不同点是，G2(R)的输入是G2(F)和G1(B)的输出（最后一层）的feature map的element-wise sum。
  训练过程中，先训练G1，后训练G2，再一起fine-tune。
  

• multi-scale discriminators
  使用多尺度判别器做高分辨率判别器，即3个相同网络架构但处理图像尺寸不同的判别器。处理图像的尺寸分别是2048*1024，1024*512，512*256。训练时分别用三种尺度的真假图像训练判别器。
  其中，处理coarsest尺度的判别器有最大的感受野，更全局的视野，能使生成器生成全局一致（连续）的图像。处理finest尺度的判别器能使得生成器产生更精细的细节。

• improved adversarial loss
  添加一个基于判别器的feature matching loss，稳定训练。即从判别器的中间层提取特征，学习匹配真实图像和生成图像的这些中间表示。（具体含义还得看代码参透）
  
  这个feature matching loss 和perceptual loss相关。实验中讨论了两个loss一起提高性能的效果。
  加入了feature matching loss的目标函数如下：
  

2. 交互式扩展1

原理：提出实例图中最重要的信息是物体边界，因此计算实例边界图（instance boundary map）。
计算方法：一个像素点与周围四个像素标签全部相同则赋值0，否则赋值1。即边界处为1，物体内部为0。
具体实现：实例边界图和语义标签图(原输入)的one-hot vector表示串联，输入生成器。同样，判别器的输入是实例边界图、语义标签图和真假图像这三者的通道级串联。
效果：加入实例边界图的模型能生成更真实的物体边界。

3. 交互式扩展2

原理：提出添加低维特征通道作为生成器的输入，从而可以通过修改这些特征来对生成图像进行灵活控制。
计算方法：训练一个编码器网络E，来寻找对应于图像中每个实例的目标的低维特征向量。编码器架构是标准的encoder-decoder网络。在encoder的输出层加上实例级的平均池化层来计算实例的平均特征，然后平均特征传播给该实例的所有像素点。
具体实现：训练中，编码器和生成器判别器一起训练。一旦编码器训练好，就在训练集中所有实例上运行编码器来记录得到的特征。然后对每个语义类别的所有特征执行k-means聚类算法，从而每个聚类都编码了一个特定风格的特征。在推断阶段，随机选取一个聚类中心作为特征，这个特征将和标签图一起输入到生成器中。

实现

实现细节：lambda = 10，K = 10(k-means)，
Baselines：pix2pix，CRN
评价准则：语义分割scores，MTurK

---

论文中方法较多，n个问题有待解答。看代码后再补充。

转载于:https://www.cnblogs.com/yinshu/p/10794371.html