GAN

传统的GAN步骤：

目标：

把DNN“倒过来用”。之前的DNN可能是输入一幅图像，输出一个标签（比如说猫），那我们能不能输入“猫”这个字，输出一张猫的照片呢？

 

组成：

GAN中包含两种类型的网络G和D 。其中，G为Generator，它的作用是生成图片，也就是说，在输入一个随机编码（random code）z之后，它将输出一幅由神经网络自动生成的、假的图片G(z) 。

另外一个网络D ,为Discriminator是用来判断的，它接受G输出的图像作为输入，然后判断这幅图像的真假，真的输出1，假的输出0。

不断的生成，判别，进行迭代

公式：

 

缺点：

1. 没有**用户控制（user control）**能力

在传统的GAN里，输入一个随机噪声，就会输出一幅随机图像。

但用户是有想法滴，我们想输出的图像是我们想要的那种图像，和我们的输入是对应的、有关联的。比如输入一只喵的草图，输出同一形态的喵的真实图片（这里对形态的要求就是一种用户控制）。

2. 低分辨率（Low resolution）和低质量（Low quality）问题

尽管生成的图片看起来很不错，但如果你放大看，就会发现细节相当模糊。

 

因此：

 

pix2pix：针对现实生活中有对应真实照片的数据,易获取成对的数据

CycleGAN：针对现实生活中没有对应真实照片的数据  ，不易获取成对的数据

（ps:我们想把图片中的马变成斑马，我们没有成对样本)

 

pix2pixHD:生成高分辨率图像

 

 

细节：

pix2pix

pix2pix对传统的GAN做了个小改动，它不再输入随机噪声，而是输入用户给的图片：

但这也就产生了新的问题：我们怎样建立输入和输出的对应关系。此时GGG的输出如果是下面这样，DDD会判断是真图：

但如果GGG的输出是下面这样的，DDD拿来一看，也会认为是真的图片QAQ…也就是说，这样做并不能训练出输入和输出对应的网络GGG，因为是否对应根本不影响DDD的判断。

为了体现这种对应关系，解决方案也很简单，你可以也已经想到了：我们把**GGG的输入和输出一起作为DDD的输入**不就好了？于是现在的优化目标变成了这样：

这项研究还是挺成功的，大家可以去这里在线体验一下demo，把草图（sketch）变成图片。

当然，有些比较皮的用户输入了奇形怪状的草图，然后画风就变成了这样：

应用

pix2pix的核心是有了对应关系，这种网络的应用范围还是比较广泛的，比如：

1. 草图变图片[Isola, Zhu, Zhou, Efros, 2016]：
   
2. 灰度图变彩色图[Isola, Zhu, Zhou, Efros, 2016]：
   
3. 自动着色 Data from [Russakovsky et al. 2015]：
   
4. 交互式着色[Zhang*, Zhu*, Isola, Geng, Lin, Yu, Efros, 2017]：
   

CycleGAN

pix2pix必须使用成对的数据进行训练。

但很多情况下成对数据是很难获取到的，比如说，我们想把马变成斑马，现实生活中是不存在对应的真实照片的：

现在我们就用Cycle-constraint Adversarial Network也就是CycleGAN解决这个问题。这种网络不需要成对的数据，只需要输入数据的一个集合（比如一堆马的照片）和输出数据的一个集合（比如一堆斑马的照片）就可以了。

但是（没错我又要说但是了），直接使用不成对的数据是不奏效的。网络会直接忽略输入，随机产生输出！所以，我们还得对网络增加**限制（constraint）**才行。

那怎么加限制呢？我们来思考一个现实问题。马克吐温认为，如果一把一段话从英文翻译成法文，再从法文翻译回英文，那么你应该得到跟之前原始输入的英文一样的内容。这里也是一样，如果我们把马变成斑马，然后再变回马，那么最后的马和开始输入的马应该是一样的。

下面讲一下具体技术细节。除了之前提到的把马变成斑马的网络GGG，我们还需要一个把斑马变回马的网络FFF。
那么，一匹马xxx用GGG变成斑马s=G(x)s = G(x)s=G(x)，然后再用FFF把它变回马F(s)F(s)F(s)，得到的马和一开始的马应该是一样的，也就是x=F(G(x))x = F(G(x))x=F(G(x))。

反过来，斑马变马再变回斑马也要满足要求，注意这一步最好不要省略。虽然理论上只用一个条件是可以的，但是现实实现中，有很多因素，比如计算的准备度，优化的问题，应用中都是把所有约束都加上。比如说a=b=ca=b=ca=b=c，理论上我们只要要求$(a-b)2+(a-c)2=0 ，但现实中我们都是做，但现实中我们都是做，但现实中我们都是做(a-b)2+(a-c)2+(b-c)^2=0$。

我们同时优化GGG和FFF，最后就能拿到一个想要的网络GGG。

CycleGAN为什么有效

CycleGAN成功的原因在于它分离了风格（Style）和内容（content）。人工设计这种分离的算法是很难的，但有了神经网络，我们很容易让它学习者去自动保持内容而改变风格。

效果展示

下面是效果展示环节~

马变斑马

两张图片分别是原来的马和GGG duang的一下变出的斑马：

橘子变苹果：

可以看到，CycleGAN能够比较准确的找到橘子的位置，并把它变成苹果。

图像风格的迁移：

游戏场景替换

这个应用就很酷了，它以一些德国城市的照片作为输入，成功替换了游戏GTA5中的场景！

失败例子

在输入骑马的普京大帝照片时，输出图像里把普京也变成了斑马。

这是因为，训练图像里并没有骑马的人，所以网络就傻掉了。

目前暂且的解决办法是先用Mask R-CNN做图像分割之后再针对马进行变化，不过这个效果也不好，因为人和马在图像上有重叠的部分。这个问题需要未来解决。

源代码

这里给出CycleGAN和pix2pix的github项目。

这是2017年github最受欢迎的项目之一，截止到本文写作时间（2018年9月），已经有5000+ Star了：

课程

CycleGAN现在非常火，以致于很多大学和在线平台都开设了它的课程：

用户的结果

下面是这些课程里的一些学生作业：

Twitter上也有一些很有趣的应用，比如把狗变成猫@itok_msi：

或者把猫变成狗：

再比如“吃鸡”游戏的风格转换@Cahintan Trivedi：


不过这里存在一个严重的问题：CycleGAN只能输出256p/512p的低分辨率图像。

pix2pixHD

是的，我们还剩一个悬而未决的问题：分辨率和图像质量。pix2pixHD就是用来解决这个问题的！

假设我们输入一张高分辨率的草图：

使用pix2pix，结果很差（之前说过，让网络产生高维数据输出很难）：

pix2pixHD采取了金字塔式的方法：

1. 先输出低分辨率的图片。
2. 将之前输出的低分辨率图片作为另一个网络的输入，然后生成分辨率更高的图片。
   

这样，就把一个困难的问题拆分成了两个相对简单的问题~

最终的效果是，给定下面的高分辨率草图：

pix2pixHD可以**实时（real time）**产生这样的效果：

pix2pixHD也支持用户交互，比如加一辆车、添几棵树之类的：

pix2pixHD还有许多有趣的应用。

比如用草图生成高分辨率人脸：