图像翻译三部曲：pix2pix, pix2pixHD, vid2vid

最新推荐文章于 2025-11-17 19:28:31 发布

转载最新推荐文章于 2025-11-17 19:28:31 发布 · 3.2k 阅读

13 ·

CC 4.0 BY-SA版权

原文链接：https://zhuanlan.zhihu.com/p/56808180

文章标签：

#算法 #计算机视觉 #机器学习 #人工智能 #深度学习

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

本文作者：邛亦简
https://zhuanlan.zhihu.com/p/56808180
编辑丨Smarter

所谓图像翻译，指从一副图像到另一副图像的转换。可以类比机器翻译，一种语言转换为另一种语言。下图就是一些典型的图像翻译任务：比如语义分割图转换为真实街景图，灰色图转换为彩色图，白天转换为黑夜......

本文主要介绍图像翻译的三个比较经典的模型pix2pix，pix2pixHD, vid2vid。pix2pix提出了一个统一的框架解决了各类图像翻译问题，pix2pixHD则在pix2pix的基础上，较好的解决了高分辨率图像转换（翻译）的问题，vid2vid则在pix2pixHD的基础上，较好的解决了高分辨率的视频转换问题。三个模型一步一个脚印，不断改进。

1、pix2pix

论文：pix2pix 代码：GitHub

本文最大的贡献在于提出了一个统一的框架解决了图像翻译问题。

在这篇paper里面，作者提出的框架十分简洁优雅（好用的算法总是简洁优雅的）。相比以往算法的大量专家知识，手工复杂的loss。这篇paper非常粗暴，使用CGAN处理了一系列的转换问题。

上面展示了许多有趣的结果，比如分割图街景图，边缘图真实图。对于第一次看到的时候还是很惊艳的，那么这个是怎么做到的呢？我们可以设想一下，如果是我们，我们自己会如何设计这个网络。

简单粗暴的办法

最直接的想法就是，设计一个CNN网络，直接建立输入-输出的映射，就像图像去噪问题一样。可是对于上面的问题，这样做会带来一个问题。生成图像质量不清晰。

拿下图第二排的分割图街景图为例，语义分割图的每个标签比如“汽车”可能对应不同样式，颜色的汽车。那么模型学习到的会是所有不同汽车的评均，这样会造成模糊。下图第三列就是直接用L1 Loss来学习得到的结果，相比于Ground truth，模糊很严重

如何解决模糊呢？

这里作者想了一个办法，即加入GAN的Loss去惩罚模型。GAN相比于传统生成式模型可以较好的生成高分辨率图片。思路也很简单，在上述直观想法的基础上加入一个判别器，判断输入图片是否是真实样本。模型示意图如下：

上图模型和CGAN有所不同，但它是一个CGAN，只不过输入只有一个，这个输入就是条件信息。原始的CGAN需要输入随机噪声，以及条件。这里之所有没有输入噪声信息，是因为在实际实验中，如果输入噪声和条件，噪声往往被淹没在条件C当中，所以这里直接省去了。

其他tricks

从上面两点可以得到最终的Loss由两部分构成：

输出和标签信息的L1 Loss。
GAN Loss - 测试也使用Dropout，以使输出多样化

采用L1 Loss而不是L2 Loss的理由很简单，L1 Loss相比于L2 Loss保边缘（L2 Loss基于高斯先验，L1 Loss基于拉普拉斯先验）。

GAN Loss为LSGAN的最小二乘Loss，并使用PatchGAN(进一步保证生成图像的清晰度)。PatchGAN将图像换分成很多个Patch，并对每一个Patch使用判别器进行判别（实际代码实现有更取巧的办法，实际是这样实现的：假设输入一张256x256的图像到判别器，输出的是一个4x4的confidence map，每一个像素值代表当前patch是真实图像的置信度。感受野就是当前的图像patch），将所有Patch的Loss求平均作为最终的Loss。

2、pix2pixHD

论文：pix2pixHD 代码：GitHub

这篇paper作为pix2pix的改进版本，如其名字一样，主要是可以产生高分辨率的图像。具体来说，作者的贡献主要在以下两个方面：

使用多尺度的生成器以及判别器等方式从而生成高分辨率图像。
使用了一种非常巧妙的方式，实现了对于同一个输入，产生不同的输出。并且实现了交互式的语义编辑方式，这一点不同于pix2pix中使用dropout保证输出的多样性。

高分辨率图像生成

为了生成高分辨率图像，作者主要从三个层面做了改进：

模型结构
Loss设计
使用Instance-map的图像进行训练。

模型结构

生成器由两部分组成，G1和G2，其中G2又被割裂成两个部分。G1和pix2pix的生成器没有差别，就是一个end2end的U-Net结构。G2的左半部分提取特征，并和G1的输出层的前一层特征进行相加融合信息，把融合后的信息送入G2的后半部分输出高分辨率图像。

判别器使用多尺度判别器，在三个不同的尺度上进行判别并对结果取平均。判别的三个尺度为：原图，原图的1/2降采样，原图的1/4降采样（实际做法为在不同尺度的特征图上进行判别，而非对原图进行降采样）。显然，越粗糙的尺度感受野越大，越关注全局一致性。

生成器和判别器均使用多尺度结构实现高分辨率重建，思路和PGGAN类似，但实际做法差别比较大。

Loss设计

这里的Loss由三部分组成：

GAN loss：和pix2pix一样，使用PatchGAN。
Feature matching loss：将生成的样本和Ground truth分别送入判别器提取特征，然后对特征做Element-wise loss
Content loss：将生成的样本和Ground truth分别送入VGG16提取特征，然后对特征做Element-wise loss

使用Feature matching loss和Content loss计算特征的loss，而不是计算生成样本和Ground truth的MSE，主要在于MSE会造成生成的图像过度平滑，缺乏细节。Feature matching loss和Content loss只保证内容一致，细节则由GAN去学习。

使用Instance-map的图像进行训练

pix2pix采用语义分割的结果进行训练，可是语义分割结果没有对同类物体进行区分，导致多个同一类物体排列在一起的时候出现模糊，这在街景图中尤为常见。在这里，作者使用个体分割（Instance-level segmention）的结果来进行训练，因为个体分割的结果提供了同一类物体的边界信息。具体做法如下：

根据个体分割的结果求出Boundary map
将Boundary map与输入的语义标签concatnate到一起作为输入 Boundary map求法很简单，直接遍历每一个像素，判断其4邻域像素所属语义类别信息，如果有不同，则置为1。下面是一个示例：

语义编辑

不同于pix2pix实现生成多样性的方法（使用Dropout），这里采用了一个非常巧妙的办法，即学习一个条件(Condition)作为条件GAN的输入，不同的输入条件就得到了不同的输出，从而实现了多样化的输出，而且还是可编辑的。具体做法如下：

首先训练一个编码器
利用编码器提取原始图片的特征，然后根据Labels信息进行Average pooling，得到特征（上图的Features）。这个Features的每一类像素的值都代表了这类标签的信息。
如果输入图像有足够的多，那么Features的每一类像素的值就代表了这类物体的先验分布。对所有输入的训练图像通过编码器提取特征，然后进行K-means聚类，得到K个聚类中心，以K个聚类中心代表不同的颜色，纹理等信息。
实际生成图像时，除了输入语义标签信息，还要从K个聚类中心随机选择一个，即选择一个颜色/纹理风格

这个方法总的来说非常巧妙，通过学习数据的隐变量达到控制图像颜色纹理风格信息。

总结

作者主要的贡献在于：

提出了生成高分辨率图像的多尺度网络结构，包括生成器，判别器
提出了Feature loss和VGG loss提升图像的分辨率 - 通过学习隐变量达到控制图像颜色，纹理风格信息
通过Boundary map提升重叠物体的清晰度

可以看出，这篇paper除了第三点，都是针对性的解决高分辨率图像生成的问题的。可是本篇工作只是生成了高分辨率的图像，那对于视频呢？接下来会介绍Vid2Vid，这篇paper站在pix2pixHD的基础上，继续做了许多拓展，特别是针对视频前后帧不一致的问题做了许多优化。

3、vid2vid

论文：Vid2Vid 代码：项目主页

Vid2Vid作为pix2pix, pix2pixHD的改进版本，重点解决了视频到视频转换过程中的前后帧不一致性问题。

视频生成的难点

GAN在图像生成领域虽然研究十分广泛，然而在视频生成领域却还存在许多问题。主要原因在于生成的视频很难保证前后帧的一致性，容易出现抖动。对于视频问题，最直观的想法便是加入前后帧的光流信息作为约束，Vid2Vid也不例外。由于Vid2Vid建立在pix2pixHD基础之上，加入时序约束。因此可以实现高分辨率视频生成

作者给出的方案

生成器加入光流约束
判别器加入光流信息
对前景、背景分别建模

3.1 对生成器加入光流约束

符号定义：

输入图像序列：
目标图像序列：
生成的图像序列：

视频-视频转换问题可以建模为如下一个条件分布：
那么我们可以训练一个CNN，将条件分布建模为进一步可以表示为：
上面这个公式有三个未知量。这三个未知量都是通过学习一个CNN得到的。

表示t-1帧到t帧的光流，光流的计算通过学习一个CNN来实现。
表示利用t-1帧光流信息预测得到的第t帧的输出
表示当前帧的输出结果，也是利用CNN来实现。
表示输出结果的模糊程度。

最终输出的结果由  和  加权得到。二者的权重通过学习一个CNN来实现，权重代表  生成结果的模糊程度，越模糊，则  的比重越低。
如何学习一个计算光流的CNN?
这个其实很简单，用  表示生成前后两帧图片的光流，  表示目标图像（Ground truth）前后两帧的光流。训练时只要最小化二者的重构误差就可以了。此外，利用第t帧的光流信息以及第t帧的Ground truth 应当能够完美重构第t+1帧。所以Loss如下：
第一点改进就是这些啦。下面说一下第二点。
3.2 对判别器器加入光流约束
这里作者使用了两个判别器，一个是图像粒度的判别器。这个比较简答，使用CGAN。另一个是视频粒度的判别器。输入为视频序列及其光流信息，同样输入到CGAN。
3.3 对前景，背景分别建模
对于语义地图转换为街景图这个任务，作者还分别对前景，背景进行建模，以加快收敛速度。具体来说，可以把语义地图中的“行人”，“车辆”当做前景，“树木”，“道路”当做背景。背景通常都是不动的，因此光流计算会很准，所以得到的图像也会很清晰。因此，我们可以设置一个mask，控制前景和背景的透明度。具体公式如下：
和  分别代表前景和背景。二者也是通过CNN实现，  是背景的不透明度。
整个文章的idea就是上述三点了。对于前两点，在视频生成领域非常有借鉴意义。