StyleGAN v2：对StyleGAN v1的思考与改进

StyleGAN v2在v1的基础上进行了改进，着重处理的伪影问题，被CVPR2020收录，能够生成质量更好的图像数据。其在style mixing策略，progressive growing生成方式、插值方式等方面对v1进行了改进。

StyleGAN v2论文地址

工程地址

  StyleGAN v1 一步一步地生成人工的图像，从非常低的分辨率$4\times 4$开始，一直到高分辨率$1024\times 1024$。通过分别地修改网络中每个级别的输入，它可以控制在该级别中所表示的视觉特征，从粗糙的特征（姿势、面部形状）到精细的细节（头发颜色），而不会影响其它的级别(通过非线性映射消除特征纠缠)。但是其有一个明显的缺陷——生成的图像有时包含斑点似的伪影(artifacts)，未解决这个问题，提出了StyleGAN v2。

  论文重新设计了生成器，结构如下所示：

• (a)是原始的StyleGAN，其中A表示从W学习的仿射变换，产生了一个style
• (b)展示了原始StyleGAN架构的细节。在这里，将AdaIN分解为先显式归一化再调制的模式，对每个特征图的均值和标准差进行操作。
• ©，对原始架构做了几处改动，包括在开始时删除了一些冗余操作，将b和B的添加移动到style的活动区域之外，并只调整每个feature map的标准差。
• (d)是修改后的架构，使方法能够用“demodulation”操作代替 AdaIN，并将demodulation操作应用于与每个卷积层相关的权重。
• (e)normalization中不再需要mean，只计算std即可。并将noise模块移除style box中

  总的来看，styleGAN v2相比v1的几点改进主要在于：

1 Weight Demodulation

  v1使用AdaIN来控制source vector $w$对生成人脸的影响程度，同BN层类似，其目的是对网络中间层的输出结果进行scale和shift，以增加网络的学习效果，避免梯度消失。相对于BN是学习当前batch数据的mean和variance，Instance Norm则是采用了单张图片。AdaIN则是使用learnable的scale和shift参数去对齐特征图中的不同位置，该方法能够显著地解耦（remarkable disentanglement） low-level的"style"特征和high-level的"content"特征，AdaIN的出现使得风格迁移任务从受限于一种风格或者需要lengthy optimization process的情况中摆脱了出来，仅通过归一化统计就可以将**风格(style)和内容(content)**结合起来。
  生成器(Generator)通过将信息sneaking在这些层中来克服信息丢失的问题，但是这却带来了水印问题(water-droplet artifacts)，但是判别器却无法判别出来，为了解决伪影的问题，v2将AdaIN重构为Weight Demodulation，处理流程如下：

• Conv 3x3前面的Mod std被用于对卷积层的权重进行scaling(缩放)
  
• 接着对卷积层的权重进行demod，并得到新的卷积层权重：
  
  
    加一个小的$ϵ$是为了避免分母为0，保证数值稳定性。尽管这种方式与Instance Norm并非在数学上完全等价，但是weight demodulation同其它normalization 方法一样，使得输出特征图有着standard的unit和deviation。此外，将scaling参数挪为卷积层的权重使得计算路径可以更好的并行化，这种方式使得训练加速了约40%（从每秒处理37张图片到每秒处理61张图片）。

2 Progressive growth

  StyleGAN图像由于progressive growing training (PGGAN)对鼻子和眼睛等面部特征有很强的位置偏好。Progressive growing指的是先训一个小分辨率的图像，训好了之后再逐步过渡到更高分辨率的图像。然后稳定训练当前分辨率，再逐步过渡到下一个更高的分辨率，是一种比较直观的对高分辨率图像合成的coarse-to-fine的方式。一般的GAN直接在训练超高分辨率($1024^2$) 的图像生成上面相当不稳定

The discriminator will easily distinguish real and fake images, resulting in the generator unable to learn anything during training.

  不同于StyleGAN第一代使用progressive growing的策略，StyleGAN2开始寻求其它的设计以便于让网络更深，训练更加稳定。对Resnet结构而言，网络加深是通过skip connection实现的。所以StyleGAN2采用了类似ResNet的残差连接结构(residual block)。使用双线性滤波对前一层进行上/下采样，并尝试学习下一层的残差值(residual value)。
  受MSG-GAN的启发，StyleGAN2设计了一个新的架构来利用图像生成的多个尺度信息（不需要像progressive growing那样麻烦了），他们通过一个resnet风格的跳跃连接在低分辨率的特征映射到最终生成的图像。

3 Path Length Regularization

  Path Length Regularization的意义是使得latent space的插值变得更加smooth和线性。简单来说，当在latent space中对latent vector进行插值操作时，我们希望对latent vector的等比例的变化直接反映到图像中去。即：“在latent space和image space应该有同样的变化幅度（线性的latent space）”。文中通过对生成器(Generator) 增加了一个loss项来达到这个目标。

  简单来说就是计算生成器生成的图像对其latent vector的梯度(Jacobian矩阵)，$||J_w^{T}y|{|}_2$就是代码中$p{l}_{l}engths$,$a$为$p{l}_{m}ea{n}_{v}ar$的移动平均:
$$\begin{gathered} pl\_mean\_var= \\ pl\_mean\_var+0.01\times (mean(pl\_lengths)-pl\_mean\_var) \end{gathered}$$
  这种方法"dramatically facilitates projecting images back into the latent space"(让图像得到更加线性的对应latent vector)。

#----------------------------------------------------------------------------
# Non-saturating logistic loss with path length regularizer from the paper
# "Analyzing and Improving the Image Quality of StyleGAN", Karras et al. 2019

def G_logistic_ns_pathreg(G, D, opt, training_set, minibatch_size, pl_minibatch_shrink=2, pl_decay=0.01, pl_weight=2.0):
    _ = opt
    latents = tf.random_normal([minibatch_size] + G.input_shapes[0][1:])
    labels = training_set.get_random_labels_tf(minibatch_size)
    fake_images_out, fake_dlatents_out = G.get_output_for(latents, labels, is_training=True, return_dlatents=True)
    fake_scores_out = D.get_output_for(fake_images_out, labels, is_training=True)
    loss = tf.nn.softplus(-fake_scores_out) # -log(sigmoid(fake_scores_out))

    # Path length regularization.
    with tf.name_scope('PathReg'):

        # Evaluate the regularization term using a smaller minibatch to conserve memory.
        if pl_minibatch_shrink > 1:
            pl_minibatch = minibatch_size // pl_minibatch_shrink
            pl_latents = tf.random_normal([pl_minibatch] + G.input_shapes[0][1:])
            pl_labels = training_set.get_random_labels_tf(pl_minibatch)
            fake_images_out, fake_dlatents_out = G.get_output_for(pl_latents, pl_labels, is_training=True, return_dlatents=True)

        # Compute |J*y|.
        pl_noise = tf.random_normal(tf.shape(fake_images_out)) / np.sqrt(np.prod(G.output_shape[2:]))
        pl_grads = tf.gradients(tf.reduce_sum(fake_images_out * pl_noise), [fake_dlatents_out])[0]
        pl_lengths = tf.sqrt(tf.reduce_mean(tf.reduce_sum(tf.square(pl_grads), axis=2), axis=1))
        pl_lengths = autosummary('Loss/pl_lengths', pl_lengths)

        # Track exponential moving average of |J*y|.
        with tf.control_dependencies(None):
            pl_mean_var = tf.Variable(name='pl_mean', trainable=False, initial_value=0.0, dtype=tf.float32)
        pl_mean = pl_mean_var + pl_decay * (tf.reduce_mean(pl_lengths) - pl_mean_var)
        pl_update = tf.assign(pl_mean_var, pl_mean)

        # Calculate (|J*y|-a)^2.
        with tf.control_dependencies([pl_update]):
            pl_penalty = tf.square(pl_lengths - pl_mean)
            pl_penalty = autosummary('Loss/pl_penalty', pl_penalty)

        # Apply weight.
        #
        # Note: The division in pl_noise decreases the weight by num_pixels, and the reduce_mean
        # in pl_lengths decreases it by num_affine_layers. The effective weight then becomes:
        #
        # gamma_pl = pl_weight / num_pixels / num_affine_layers
        # = 2 / (r^2) / (log2(r) * 2 - 2)
        # = 1 / (r^2 * (log2(r) - 1))
        # = ln(2) / (r^2 * (ln(r) - ln(2))
        #
        reg = pl_penalty * pl_weight

    return loss, reg

#-------------------------------------------------------------------------

小结

  由于在GAN领域钻研的还不够深入，对于StyleGAN这种无论是工程上还是学术上都很有价值的大作，还是有些吃力，只能做一些生硬的阅读理解，可能还是跑代码比较简单吧哈哈~

---

欢迎关注 深度学习与数学   [获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]