这几年出现的比较有影响力的 GAN,从最初的 Goodfellow 版 GAN 到近来大火的 BigGAN、StyleGAN 等,博客的后续内容也是按照这张图的顺序进行的。
GAN 路线图。
Goodfellow 版 GAN
GAN 是由 Goodfellow 等人于 2014 年提出的(目前公认的说法)。其基本思想可以概括为:
GAN 包含两个神经网络,一个神经网络尝试生成真实的数据(主要是图片,也可能是其他数据的分布),而另一个网络尝试判别真实的和生成的数据。
标准的生成对抗网络结构。
这场「猫捉老鼠」的游戏会一直继续下去,直到系统达到所谓的「平衡」,即生成器生成的数据以假乱真到判别器无法判别。
Goodfellow 等人 2014 年提出的 GAN 生成的图像。
论文地址:https://arxiv.org/abs/1406.2661
代码实现地址:https://github.com/goodfeli/adversarial
其他资源:https://arxiv.org/abs/1701.00160
DCGAN: 深度卷积生成对抗网络
DCGAN 的思路可以简单概括为:
卷积神经网络=处理图像效果好
生成对抗网络=生成数据效果好
⟹卷积神经网络+生成对抗网络=生成图像效果好
标准的 GAN 使用多层感知机作为网络结构。但是考虑到卷积神经网络在获取图像特征方面的效果,DCGAN 采用了它作为主要网络结构。同时,DCGAN 稍微做了一些调整,使用了转置卷积操作(transposed convolution operation),它的另一个名字是 Deconvolution。转置卷积帮助图像从低清晰度向高清晰度转换,同样的,采用多层转置卷积可以使图像变得生动多彩。
卷积核的工作原理。通过卷积方式将稀疏的图像矩阵转换为密集矩阵。
DCGAN 生成的图片。较 GAN 更清晰,有更多色彩。
论文地址:https://arxiv.org/abs/1511.06434
代码实现地址:https://github.com/floydhub/dcgan
其他资源:https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0
CGAN: 条件生成对抗网络
原始的 GAN 从噪声中生成图片。因此,如果训练的是一类图(例如,狗),其能生成这一类图片。但是,如果训练中同时有很多类(例如,狗和猫都有)图片,则生成的图片是这些图片模糊的混合。而 CGAN 可以让用户指定生成的图片分类。
具体的,CGAN 将 one-hot 向量 y 和随机噪声向量 z 拼接,组成如下的结构:
使用 CGAN 可以生成指定的 MNIST 数字。
论文地址:https://arxiv.org/abs/1411.1784 (https://arxiv.org/abs/1511.06434)
代码实现地址:https://github.com/PacktPublishing/Advanced-Deep-Learning-with-Keras (https://github.com/floydhub/dcgan)
其他资源:https://wiseodd.github.io/techblog/2016/12/24/conditional-gan-tensorflow/
CycleGAN
利用 GAN 变体 CycleGAN 进行风格迁移。
GAN 不仅可以用来生成图像,还可以创造「马+斑马」这种叠加效果的图像,CycleGAN 解决的就是这种问题,即图像到图像的转换。
CycleGAN 包含两个生成器(G 和 F)和两个判别器(D_X 和 D_Y)。G 从 X 中得到一张图像,并尝试将其映射到 Y 中的某个图像。判别器 D_Y 预测一张图像究竟是由 G 生成的还是 Y 中的真实图像。
F 也进行类似的操作,即从 Y 中得到一张图像,并尝试将其映射到 X 中的某个图像。判别器 D_X 预测一张图像究竟是由 F 生成的还是 X 中的真实图像。
所有四个网络都是用普通 GAN 的方式训练的,直到得到强大的生成器 G 和 F,生成的图像分别骗过 D_X 和 D_Y。
CycleGAN 的结构。
利用 CycleGAN 将画家的画风移植到照片上。
论文地址:https://arxiv.org/abs/1703.10593v6
代码实现地址:https://github.com/junyanz/CycleGAN
CoGAN:成对(Coupled)生成对抗网络
想要更好的结果?为什么不试试两个 GAN?
CoGAN 的原作者这样解释:
「在这个系统中,有两个队伍,每个队伍有两个队员。生成模型是其中一个队,生成一个不属于一类图片的图片对来迷惑判别器队。判别器队尝试将图片的类,以及是否是训练数据或生成数据都判别出来。两个队伍共享权重。」
CoGAN 的结构。
CoGAN 的效果。相比 DCGAN 清晰度更高,更为真实。
论文地址:https://arxiv.org/abs/1606.07536
代码实现地址:https://github.com/mingyuliutw/CoGAN
其他资源:https://wiseodd.github.io/techblog/2017/02/18/coupled_gan/
ProGAN
训练 GAN 有很多问题,其中最大的问题是训练的不稳定性。
有时候,判别器和生成器无法从彼此学习数据。有时候,生成的图片变得非常奇怪。
ProGAN 可以通过逐层提高生成图片的分辨率来用来稳定 GAN 的训练。
这一逻辑是:生成 4x4 的图片比生成 1024x1024 图片要更简单。同时,从 16x16 的图片映射到 32x32 比从 2x2 的图片映射更容易。
因此 ProGAN 首先训练一个 4x4 的生成器和一个 4x4 的判别器,并在训练进程中逐渐增加层数,提高分辨率。
ProGAN 逐渐加深训练的过程。随着网络层数变深,图像越来越清晰。
论文地址:https://arxiv.org/abs/1710.10196
代码实现地址:https://github.com/tkarras/progressive_growing_of_gans
WGAN:Wasserstein 生成对抗网络
WGAN 中的「W」指的是 Wasserstein。WGAN 提出了一种新的代价函数。
过去 GAN 的 minimax 目标函数
而 WGAN 使用:
GAN 的判别器和 WGAN 的判别器在学习区分高斯分布数据的情况。GAN 可能会出现梯度消失,但 WGAN 在空间内始终保持稳健的梯度变化。
新的代价函数在数学上可以防止梯度消失的情况,因此具有更好的训练稳定性。
WGAN(左)和 DCGAN(右)生成房子图片的效果对比。WGAN 更稳健,出错更少。
论文地址:https://arxiv.org/abs/1701.07875v3
代码实现地址:https://github.com/eriklindernoren/Keras-GAN
SAGAN:自注意力生成对抗网络
虽然使用转置卷积的 GAN 可以「扫描」图片的特征映射,但是其只能获得附近的信息。
SAGAN 使用自注意力机制,在全局图像中关注需要注意的特征信息。
SAGAN 使用注意力机制,高亮部位为注意力机制关注的位置。
论文地址:https://arxiv.org/abs/1805.08318v1
代码实现地址:https://github.com/heykeetae/Self-Attention-GAN
BigGAN:大型生成对抗网络
BigGAN 由 DeepMind 提出,由于生成效果高度逼真而被誉为「史上最强 GAN 图像生成器」。
DeepMind 在研究 GAN 时尝试了前无古人的事情。他们用强大的深度学习技术训练 GAN 的网络。
首先,DeepMind 使用 SAGAN 作为基线,并添加了光谱特征作为输入。其次,他们将批大小提升了 50%,通道数提升了 20%。同时,研究人员使用了截断方法来提升样本的质量。最终,他们在新的数据集 JFT-300 上进行训练,这是一个类似于 ImageNet 的数据集,但是有 3 亿张图片。
BigGAN 生成的高清晰图片,包含各种类别。
论文地址:https://arxiv.org/abs/1809.11096v2
代码实现地址:https://github.com/huggingface/pytorch-pretrained-BigGAN
StyleGAN:基于风格的生成对抗网络
StyleGAN 来自英伟达的一项研究,关注的是损失函数、稳定性、架构等。
因此,StyleGAN 没有专注于生成更加逼真的图像,而是致力于提高 GAN 对生成图像的精确控制能力。
为了达到图像风格级别的控制,StyleGAN 使用了适应实例归一化(Adaptive instance normalization)、潜在向量映射网络、不断学习的输入等已有技术。
论文地址:https://arxiv.org/abs/1812.04948
代码实现地址:https://github.com/NVlabs/stylegan