CVAE-GAN

深度神经网络生成模型:从 GAN VAE 到 CVAE-GAN - PENG Bo的文章 - 知乎
https://zhuanlan.zhihu.com/p/27966420
在几年前,深度神经网络的热门话题是分类问题:

给定一张图 x,神经网络可以告诉你其中是什么内容,或者说属于什么类别 c。
而近年来,深度神经网络的热门话题是生成模型,它想做的事情相反:

给定一个类别 c,神经网络就可以无穷无尽地自动生成真实而多变的此类别的图像 x。
这无疑听上去更神奇,也更困难。这里介绍的 CVAE-GAN 方法,其论文是 Fine-Grained Image Generation through Asymmetric Training ,它可以在各个数据集上生成目前综合效果最好的结果:
在这里插入图片描述

请注意,以上的图像都是神经网络根据少量参考图,凭空想象出来的全新图片。而且它可以无穷无尽地自动生成下去,例如包括各种角度,表情,而且会在此过程中不断进步(简直正如 AlphaGo 可以无穷无尽地左右互搏)。

在人脸数据集上,效果已经好得惊人,栩栩如生。而在其它数据集上,虽然看似还有瑕疵,但这可能已经只是因为参考图的数量不够多(正如最近的 [1707.02968] Revisiting Unreasonable Effectiveness of Data in Deep Learning Era 所述,目前的瓶颈可能已经在于数据,而非模型。文中发现,采用3亿张训练图片作预训练后,所有模型的效果都可以得到明显提升。而且看上去3亿张训练图片也没有“喂饱”神经网络,依旧会发现训练图片越多效果越好)。

我们将会看到,CVAE-GAN 的思想实际简单而直接。它有四大组件,对应到四个神经网络,互为补充,互相促进(这是否又让我们想起 AlphaGo?是的,多个神经网络协同组合,确实会有惊人的威力。而且其实还有更多的相似之处,因为它们最终都属于博弈问题)。

如需转载本文,请与本人联系,谢谢。

生成模型的派别:VAE 和 GAN

在最近几年,生成模型分为 VAE 和 GAN 两条路(其实还有一条值得继续的路是 PixelCNN/RNN,另外我可能还有个不一样的路子…)。十分有趣的是,它们拥有互补的长处和短处:

在这里插入图片描述
以上都加上了类别作为输入,所以称之为 CVAE 和 CGAN。直观地看:

CVAE 生成的图像很中规中矩,但是模糊。
CGAN 生成的图像清晰,但是喜欢乱来。
所以刚好是互补。这其实来自于它们各自的构造。首先,在构造生成模型时,人们渐渐发现,最常用的是下面四个网络:

E:编码器 Encoder。 给定一张图 x,可以将其编码为隐变量 z(且希望满足高斯分布)。如果还给定了类别 c,那么生成的隐变量就会质量更高(更随机)。
G:生成器 Generator。给定隐变量 z(如随机噪声),就可以生成像模像样的图像。如果还给定了类别 c,那么就会生成像模像样的属于类别 c 的图像。
C:分类器 Classifier。给定一张图 x,输出所属类别 c。这是大家的老朋友。
D:辨别器 Discriminator。 给定一张图 x,判断它是真实的图片,还是“电脑乱想出来的”。这是 GAN 首先引入的网络,它可以和 G 左右互搏,互相进步。
那么,CVAE 是这样的:
在这里插入图片描述

它来自于经典的自编码器 AE,其实 E 有点类似于人脑把图片变成文字描述的过程,z 就类似于文字描述,然后 G 试图按 z 的描述还原图片。VAE 的目标是, x’ 接近 x,同时 z 接近高斯分布(这样我们可以很容易地构造大量 z,从而生成大量 x’)。

为什么 VAE 生成的图像会模糊?如图,可以真的很模糊:

在这里插入图片描述

最重要的原因是,它不容易找到合理的判断 “x' 接近 x” 的标准,只能用 MSE 之类的粗略误差。

而 CGAN 是这样的:

在这里插入图片描述
也是有个 G(其实和之前的 VAE 的 G 类似,只是由于优化的目标不同,所以生成的图像的特点不同),目标是从 z 生成尽量真实的 x’,而且我们还再做了一个网络 D,用于判断“真实度”。

D 的做法很暴力,就是一直认为 x 是真的,x’ 是假的,并以此训练自己。而 G 的目标当然就是尽量骗过 D,做法也很暴力,直接把 D 的输入梯度信息拿出来用于训练自己,尽量生成“最能骗过 D 的图像”。其实就像之前大家构造能骗过神经网络 C 的图片一样,直接用输入的梯度。

随着 G 和 D 的互相斗争,最终大家达成 Nash 均衡,生成的 x’ 也就比较真实了。

为什么 GAN 生成的图像喜欢乱来?我认为,原因之一是 D 的能力不够,是因为 D 看过的样本太单调(要么是固定的原始样本,要么都是 G 生成的),所以辨别能力容易存在盲区,而 G 是发现空子就去钻,所以就容易乱来了。原因之二是 G 的钻空子太暴力。比如说,如果 G 学会了每次都生成一模一样的和训练集中某个图像一模一样的图?或者一个固定的特别容易骗过 D 的图?那 D 就分辨不出来了,但生成这样的图片当然也没有意义了。
这其实就是个常见的问题,叫做模式的坍塌,就像下图:

在这里插入图片描述
而之前 VAE 的 G 是不会犯这种错误,因为它必须有足够的生成能力,对于训练集中每个图片,它都需要有能力生成相似的图片。

其实,某种意义上,AlphaGo 的策略网络类似于 G(试图一步步生成“完美的神之棋局”),AlphaGo 的价值网络类似于 D(如果胜率在走了某步之后倒向一方,就说明棋局不够完美)。

取长补短,E+G+C+D = CVAE-GAN

看 CVAE-GAN 的结构图:

在这里插入图片描述
首先,之前说过了,VAE 的 G 比 GAN 的 G 更有前途,所以前面是 VAE 的结构。

然后,由于 VAE 的判断 x’ 和 x 相似的标准不够好,所以要再加入 D 来判断。

最后,我们还得真的保证生成的图像是属于 c 类别,所以还要加上 C。

所以 G 的 Loss 其实有三大部分:

对于从 x 生成的 z,G 应该更还原出接近 x 的 x' (像素上的接近)。称为 L_G(img)。
G 生成的图像应该可以由 C 鉴别为属于 c。称为 L_G(C)。
G 生成的图像应该可以由 D 鉴别为属于真实图像。称为 L_G(D)。

这三者都很重要。举例,原始图像 x:

在这里插入图片描述
CVAE-GAN 的复原 x’,与 x 接近,只是少了皱纹之类的噪音,这也说明 D 对于皱纹是不在意的,它认为皱纹不是判断“真实性”的标准,也许没皱纹还会更“真实”:
在这里插入图片描述
如果我们去掉 D,马上就模糊了:
在这里插入图片描述
如果我们去掉 C,那么 artifact 就多了:
在这里插入图片描述
如果我们去掉 img,那么就容易乱来了:
在这里插入图片描述

最终的隐变量 z 可以相当好地自动刻画图片:
在这里插入图片描述
编码转移,给定左边的照片,要求网络更换其中的明星,生成的是右边的图:
在这里插入图片描述
插值效果,给定左右两张图片,可以生成“中间的渐变过程”:
在这里插入图片描述
自动填充缺失区域的效果(左边的原始图片都是网络从来没有见过的全新图片):

在这里插入图片描述
由于网络生成的样本质量很高,还可以用于增强训练样本集,使其它模型得到更好的效果:

在这里插入图片描述
最后,CVAE-GAN 的详细架构如图:
在这里插入图片描述

CVAE-GAN 的训练算法如图,其中的每一项都是很直观的。注意里面还用了一个重要 trick,就是希望 x’ 和 x 在 D 和 C 的网络的中间层的特征也相似。这有助于稳定网络:

在这里插入图片描述

  1. 总结
    通过使用 E+G+C+D 四大网络, CVAE-GAN 实现了相当令人满意的生成模型。目前的 GAN 变种非常多,大家都是把 E G C D 到处串起来,不过一般只用到三个,很少有用到四个的。本来我想试把四个都串起来,然后发现 CVAE-GAN 已经做了,效果也确实好。
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值