Context Encoder论文及代码解读

经过秋招和毕业论文的折磨，提交完论文終稿的那一刻总算觉得有多余的时间来搞自己的事情。

研究论文做的是图像修复相关，这里对基于深度学习的图像修复方面的论文和代码进行整理，也算是研究生方向有一个比较好的结束。好啦，下面开始进入正题～

所有的image inpainting的介绍在这里： 基于深度学习的Image Inpainting（论文+代码）

Context encoders for image generation
1. Encoder-decoder pipeline
网络结构是一个简单的编码器-解码器结构，中间采用Channel-wise fully-connected layer来连接编码器和解码器，网络结构如图。

1.1 编码器：采用AlexNet网络作为baseline，五个卷积加上池化pool5，若输入图像为227x227，可以得到一个6x6x256的特征图。

1.2 Channel-wise fully-connected layer：减少网络参数，若使用全连接层，输入特征图为mxnxn，输出也为mxnxn，则需要m²n⁴的参数，而使用channel-wise仅需要mn⁴的参数，使用步长为1的卷积来将信息在通道之间传递。

1.3 解码器：就是一系列的五个上卷积的操作，使其恢复到与原图一样的大小。

2. Loss function 

 包含reconstruction(l2) loss和adversarial loss。

2.1 重建L2 loss主要是捕获缺失区域的整体结构，但是容易在预测输出中平均多种模式；

M作为二值化的掩码，没看懂最外面的M是干啥用。。

2.2 而adv loss则从多种可能的输出模式中选择一种，也可以说是进行特定模式选择，使得预测结果看起来更真实。

2.3 两种loss结合到一起，既具备结构性，也具备真实语义性。

对于任意区域的图像修复网络结构图如下。

我觉得这篇论文的创新点有以下两点：

1. 使用编码-解码器结构来完成图像修复的任务，并改用channel-wise的方式连接，节省了一定的参数。

2. 使用联合损失函数，结合重建l2 loss和对抗式adv loss，使得修复图像更加真实。

 

代码解读：train.lua

---------------------------------------------------------------------------
-- Adversarial discriminator net
---------------------------------------------------------------------------
local netD = nn.Sequential()
if opt.conditionAdv then
    local netD_ctx = nn.Sequential()
    -- input Context: (nc) x 128 x 128, going into a convolution
    netD_ctx:add(SpatialConvolution(nc, ndf, 5, 5, 2, 2, 2, 2))
    -- state size: (ndf) x 64 x 64

    local netD_pred = nn.Sequential()
    -- input pred: (nc) x 64 x 64, going into a convolution
    netD_pred:add(SpatialConvolution(nc, ndf, 5, 5, 2, 2, 2+32, 2+32))      -- 32: to keep scaling of features same as context
    -- state size: (ndf) x 64 x 64

    local netD_pl = nn.ParallelTable();
    netD_pl:add(netD_ctx)
    netD_pl:add(netD_pred)

    netD:add(netD_pl)
    netD:add(nn.JoinTable(2))
    netD:add(nn.LeakyReLU(0.2, true))
    -- state size: (ndf * 2) x 64 x 64

    netD:add(SpatialConvolution(ndf*2, ndf, 4, 4, 2, 2, 1, 1))
    netD:add(SpatialBatchNormalization(ndf)):add(nn.LeakyReLU(0.2, true))
    -- state size: (ndf) x 32 x 32
else
    -- input is (nc) x 64 x 64, going into a convolution
    netD:add(SpatialConvolution(nc, ndf, 4, 4, 2, 2, 1, 1))
    netD:add(nn.LeakyReLU(0.2, true))
    -- state size: (ndf) x 32 x 32
end

train.lua中分别得到生成器和判别器的网络结构，然后准备数据，进行训练。这里选择判别器的网络结构代码分析。

网络结构中用到了nn.ParallelTable()，向介绍下torch中nn.Sequential，nn.Concat/ConcatTable，nn.Parallel/PararelTable之间的区别。

Torch-nn学习：Table Layer

Parallel Table和 ConcatTable

那么为什么生成器和判别器都需要用到nn.ParallelTable呢？即对每个成员模块应用与之对应的输入(第i个模块应用第i个输入)

我的理解：生成器需要将输入图像和noise输入到生成器中得到预测的图像；而判别器需要将真实的图像和预测的图像输入到判别器中。

转载于:https://www.cnblogs.com/wmr95/p/10636804.html