ViTGAN：用视觉Transformer训练生成性对抗网络 Training GANs with Vision Transformers

ViTGAN是加州大学圣迭戈分校与 Google Research提出的一种用视觉Transformer来训练GAN的模型。该论文已被NIPS（Conference and Workshop on Neural Information Processing Systems，计算机人工智能领域A类会议）录用，文章发表于2021年10月。

论文地址：https://arxiv.org/abs/2107.04589
代码地址：https://github.com/teodorToshkov/ViTGAN-pytorch

本博客是精读这篇论文的报告，包含一些个人理解、知识拓展和总结。

一、原文摘要

最近，Vision Transformer（VIT）在图像识别方面表现出了竞争性的性能，同时需要更少的视觉特定感应偏差。在本文中，我们研究这种观察是否可以扩展到图像生成。为此，我们将ViT体系结构集成到生成性对抗网络（GAN）中。我们观察到，现有的GANs正则化方法与自我注意的交互作用很差，导致训练期间严重不稳定。为了解决这个问题，我们引入了新的正则化技术，用ViTs训练GANs。根据经验，我们的方法名为ViTGAN，在CIFAR-10、CelebA和LSUN卧室数据集上实现了与基于CNN的最先进StyleGAN2相当的性能

二、为什么提出ViTGAN？

2021年论文《An image is worth 16x16 words: Transformers for image recognition at scale. In ICLR,2021.》视觉Transformer(简称ViT) 在图像识别方面表现出具有竞争力的性能，在ViTGAN中，主要研究的是是否能用Transformer来进行图像生成。研究议题是：不使用卷积或池化，能否使用视觉 Transformer 来完成图像生成任务？更具体而言：能否使用 ViT 来训练生成对抗网络（GAN）并使之达到与已被广泛研究过的基于 CNN 的 GAN 相媲美的质量？

使用原始Vit来组建GAN时，训练非常不稳定，而且在鉴别器训练的后期，对抗性训练经常受到高方差梯度的阻碍，此外，传统的正则化方法，如梯度惩罚，谱归一化无法解决这个不稳定性问题。针对这些问题，为了实现训练动态的稳定以及促进基于 ViT 的 GAN 的收敛，这篇论文提出了多项必需的修改。

以往的生成性Transformer将图像生成建模为一个自回归序列学习问题。与ViTGAN比较接近的工作就是TransGAN，TransGAN提出多任务协同训练和局部初始化以获得更好的训练，但却忽略了训练稳定性的关键技术，在很大程度上落后于领先的卷积GAN模型。

三、Vision Transformer

Vision Transformer是一种纯Transformer架构，用于对一系列图像块进行操作的图像分类。

在ViT中，$\mathbf{x}\in {\mathbb{R}}^{H\times W\times C}$被展平为一系列patches，每个patch为${\mathbf{x}}_p\in {\mathbb{R}}^{L\times \left(P^2\cdot C\right)}$,其中$L=\frac{H\times W}{P^2}$,P×P×C是每个图像块的尺寸。

图像序列中引入一个可学习的分类嵌入$x_{class}$，已经位置嵌入$E_{po}$，形成patch嵌入$h_0$：
$\begin{array}{rlrl}{\mathbf{h}}_0& =\left[{\mathbf{x}}_{\text{class }};{\mathbf{x}}_p^1\mathbf{E};{\mathbf{x}}_p^2\mathbf{E};\cdots ;{\mathbf{x}}_p^L\mathbf{E}\right]+{\mathbf{E}}_{pos},& & \mathbf{E}\in {\mathbb{R}}^{\left(P^2\cdot C\right)\times D},{\mathbf{E}}_{pos}\in {\mathbb{R}}^{(L+1)\times D}\\ {\mathbf{h}}_{\ell }^{\prime }& =\mathrm{MSA}\left(\mathrm{LN}\left({\mathbf{h}}_{\ell -1}\right)\right)+{\mathbf{h}}_{\ell -1},& & \ell =1,\dots ,L\\ {\mathbf{h}}_{\ell }& =\mathrm{MLP}\left(\mathrm{LN}\left({\mathbf{h}}_{\ell }^{\prime }\right)\right)+{\mathbf{h}}_{\ell }^{\prime },& & \ell =1,\dots ,L\\ \mathbf{y}& =\mathrm{LN}\left({\mathbf{h}}_L^0\right)& & \end{array}$

其中，MSA是多头自注意力（MSA）：
$\mathrm{MSA}(\mathbf{X})={\mathrm{concat}}_{h=1}^H\left[{\mathrm{Attention}}_h(\mathbf{X})\right]\mathbf{W}+\mathbf{b}$

单个注意力头的计算公式为：
${\mathrm{Attention}}_h(\mathbf{X})=\mathrm{softmax}\left(\frac{\mathbf{Q}{\mathbf{K}}^{\top }}{\sqrt{d_h}}\right)\mathbf{V}$

四、ViTGAN

ViTGAN的基础结构如下，一个ViT组成了生成器，一个ViT组成了鉴别器：

直接使用ViT会使训练不稳定，于是作者引入了（1）生成器结构优化；（2）鉴别器正则化

4.1、生成器

因为ViT（Vision Transformer）原来是对图片进行分类，预测标签，而ViTGAN想达到的是让其能在空间区域生成像素。

作者为此比较了三种Transformer做生成器的架构，输入为 由MLP从高斯噪声向量z 导出的潜在向量w

（A）：在每个位置嵌入中加入中间潜在嵌入w，然后经过Transformer和一层MLP分别指导不同patch块的像素生成
（B）：只在序列最开始加入中间潜在嵌入w
（C）：将归一化Norm层替换为自调制层（SLN），该自调制层如下所示，其使用从w中学到的仿射变换（A）对norm层进行调整。

作者使用的是C，下面将对其结构和原理进行剖析：

4.1.1、生成器设计

要用Transformer生成像素值，就要使用一个线性投影层E，其将输入的D维嵌入映射到每个大小为P×P×C的patch当中，然后每个patch（一共（H*W）/P² 个patch）最终重组成一整张图像。

于是基于ViT设计的生成器由两个组件组成：（1）Transformer块；（2）输出映射层。

如下图所示，Transformer块作为编码器，主体结构如下右所示，将Embedding经过Norm、多头注意力层、Norm和MLP后输出到输出映射层，输出映射层主要是一个MLP。

计算原理如下：
$\begin{array}{rlrl}{\mathbf{h}}_0& ={\mathbf{E}}_{\text{pos }},& & {\mathbf{E}}_{\text{pos }}\in {\mathbb{R}}^{L\times D},\\ {\mathbf{h}}_{\ell }^{\prime }& =\mathrm{MSA}\left(\mathrm{SLN}\left({\mathbf{h}}_{\ell -1},\mathbf{w}\right)\right)+{\mathbf{h}}_{\ell -1},& & \ell =1,\dots ,L,\mathbf{w}\in {\mathbb{R}}^D\\ {\mathbf{h}}_{\ell }& =\mathrm{MLP}\left(\mathrm{SLN}\left({\mathbf{h}}_{\ell }^{\prime },\mathbf{w}\right)\right)+{\mathbf{h}}_{\ell }^{\prime },& & \ell =1,\dots ,L\\ \mathbf{y}& =\mathrm{SLN}\left({\mathbf{h}}_L,\mathbf{w}\right)=\left[{\mathbf{y}}^1,\cdots ,{\mathbf{y}}^L\right]& {\mathbf{y}}^1,\dots ,{\mathbf{y}}^L\in {\mathbb{R}}^D& \\ \mathbf{x}& =\left[{\mathbf{x}}_p^1,\cdots ,{\mathbf{x}}_p^L\right]=\left[f_{\theta }\left({\mathbf{E}}_{fou},{\mathbf{y}}^1\right),\dots ,f_{\theta }\left({\mathbf{E}}_{fou},{\mathbf{y}}^L\right)\right]& & {\mathbf{x}}_p^i\in {\mathbb{R}}^{P^2\times C},\mathbf{x}\in {\mathbb{R}}^{H\times W\times C}\end{array}$

4.1.2、 自调制层归一化层（SLN）

自调制是指：不使用噪声z作为输入，而是使用z来调制LayerNorm运算：
$\mathrm{SLN}\left({\mathbf{h}}_{\ell },\mathbf{w}\right)=\mathrm{SLN}\left({\mathbf{h}}_{\ell },\mathrm{MLP}(\mathbf{z})\right)={\gamma }_{\ell }(\mathbf{w})\odot \frac{{\mathbf{h}}_{\ell }-\mathbf{\mu }}{\mathbf{\sigma }}+{\beta }_{\ell }(\mathbf{w})$

其中µ和σ表示的是总输入的均值和方差，γl和βl表示的是计算由z导出的潜在向量控制的自适应归一化参数。

4.1.3、隐式神经表征生成patch片图像

使用隐式神经表示学习从patch embedding $y^i$到patch pixel$x_p^i$的映射。当与傅里叶特征或正弦激活函数结合时，隐式表示可以将生成样本的空间限制为平滑变化的自然信号的空间，在式子中表示为$E_{fou}$是空间位置的傅里叶编码，$f_{\theta }$是两层MLP。

4.2、鉴别器设计

鉴别器暂略，详情可以看原文

五、实验

5.1、数据集

CIFAR-10 、LSUN bedroom、CelebA

5.2、实验结果

5.3、消融实验

六、总结

1. 在GANs中利用了vision transformer，并提出了确保其训练稳定性和改进其收敛性的关键技术；
2. 经过丰富的实验证明其与基于CNN的最先进的GANs性能相当。

最后

个人简介：人工智能领域研究生，目前主攻文本生成图像（text to image）方向

个人主页：中杯可乐多加冰

限时免费订阅：文本生成图像T2I专栏

支持我：点赞+收藏⭐️+留言