[GAN]【学习笔记】StyleGAN与StyleGAN2

1 GAN

Source

GAN — What is Generative Adversarial Networks GAN? | by Jonathan Hui | Medium

Key Takeaways

• 正态分布或均匀分布中抽样噪声$z$，以$z$作为输入，生成器生成图像$x$（$x=G(z)$）

  

• $z$ contains factors that determine the type and the style of the content generated

• we don’t control the semantic meaning of $z$. We let the training process to learn it. 比如不设定$z$的哪个byte决定头发颜色，如果想要知道$z$中某些factor的含义，可以利用生成图片进行插值来验证。

• 利用random noise $z$ 生成的图片（PG-GAN）

  

• 逐渐改变 $z$ 中的某一特定维度并可视化其语义

  

---

2 StyleGAN

Source

StyleGAN 和 StyleGAN2 的深度理解 - 知乎 (zhihu.com)

GAN — StyleGAN & StyleGAN2. Do you know your style? Most GAN models… | by Jonathan Hui | Medium

Key Takeaways

• Latent Factor：可以理解为每个因子控制一个要素，和解耦有关。
• Disentanglement：解耦的特征中，每一个维度都表示具体的、不相干的意义。
• In GAN, the distribution of $z$ should resemble the latent factor distribution of the real images

2.1 5 Methods(Experiments A-F)

2.2 Style-based generator

文章后续只将关键idea实验设为标题。

A. Baseline Progressive GAN

B. + Tuning(incl. bilinear up/down, hyperparameter tuning)

💡C. + Add mapping and styles

Mapping

• 空间 $z$ 解耦程度越高，模型性能越好

  

• 将空间$z$ map 到 512维的latent space $w$

  

Styles

• 相比于普通GAN的latent $z$只传入网络的第一层，StyleGAN利用单独学习的仿射变换操作 $A$ 将 $w$ 送到每一层（不同层负责不同的分辨率）

• AdaIN (adaptive instance normalization)替换PixelNorm以添加“Style”。首先对于特征进行常规的实例归一化，然后利用风格信息值$y_s$和$y_b$作为scale和bias（模型从$w$中计算学得），来给空间特征图添加“风格”。The normalized feature influences the amount of style applied to a spatial location.

  

  

D. + Remove traditional input

• a learned constant matrix with dimension 4×4×512

  

💡E. + Add noise inputs

• SytleGAN通过创造随机扰动（stochastic variation）将噪声引入空间数据，可以为生成图像添加局部细节（发丝、胡渣、雀斑、皮肤毛孔）。

  

• using uncorrelated Gaussian noise, learn a separate scaling factor for each feature map and multiple it with the noise matrix before adding it to the output of the previous layer.

  

🚀Generator Summary

• “Style”解决了图像的关键属性，应用于全局特征图。

  
  

  • Coarse styles —— low resolution（$4^2$-$8^2$）—— pose，hair，face shape
  • Middle styles —— middle resolution（$16^2$-$32^2$）—— facial features，eyes
  • Fine styles —— high resolution($64^2$-$1024^2$) ——

• “Noise”引入了像素水平的局部变化，并利用随机扰动（stochastic variation）生成特征的局部变体。
  
  

  • Coarse noise —— low resolution($4^2$-$32^2$) —— large-scale curling of hair
  • Fine noise —— high resolution($64^2$-$1024^2$) —— finer details, texture
  • No noise —— featureless “painterly” look

💡2.3 F. + Style Mixing & Mixing regularization

• 混合正则化的含义就是，达到一定的空间分辨率后，改用不同的latent factor $z_2$来derive（推导）出新的风格。

  

• 使用生成Source B图像的latent factors $z_b$ 来得出coarse spatial resolutions的风格（$4^2$-$8^2$），使用Source A的latent factors $z_a$来得出fine resolution的风格。生成的图像将具有来自Source B的high-level style，如姿势、发型、脸型和眼镜，而所有的颜色和更精细的面部特征则与Source A相近。

  

• 使用Source B来得出middle resolutions的风格，则继承Source B的较小尺度的面部特征、发型、眼睛睁闭，而Source A的姿势、一般脸型和眼镜则被保留下来。

• 最后一栏显示从Source B复制fine styles（high resolutions），主要影响颜色方案和微观结构。

  

💡2.4 Truncation trick in W

• $z$和$w$的低概率密度区域可能没有足够的训练数据来进行准确的学习，所以在生成图像时，我们可以避开这些区域，以多样性（variation）的代价来提升图片质量（quality）。可以对$z$和$w$进行截断（Truncation）。

• StyleGAN中对$w$进行截断，ψ为style scale（风格标度）。

  

• 但是截断操作只在低分辨率层进行（如$4^2$-$32^2$，ψ=0.7）。这确保高分辨率的细节不受影响。当ψ=0时，模型生成average face。当调整ψ时，可以看到视角、眼镜、年龄、颜色、头发长度、性别的flipped过程。

  

Perceptual path length

• 图像生成其实是学习从一个分布到目标分布的迁移过程，我们希望学到最快的路径，假设特征充分解耦，$z_1$和$z_2$之间可以进行线性插值得到想要的结果。

  

• 通过训练好的生成模型可以得到给定图像的latent code，例如寻找图像$x$在$G$中的latent code，设初始latent code为$z$生成的初始图像是$p$，通过$p$和$x$之间的差距设置损失函数，通过损失不断迭代更新$z$，最后得到$x$的latent code。

• Perceptual path length是一个指标，判断生成器是否选择了最近的路线。用训练过程中相邻时间节点上的两个生成图像的距离来表示。
  

---

3 StyleGAN2

Source

From GAN basic to StyleGAN2. This post describes GAN basic… | by Akihiro FUJII | Analytics Vidhya | Medium

StyleGAN v2: notes on training and latent space exploration | by Alex Martinelli | Towards Data Science

Key Takeaways

• StyleGAN生成的图像中会有水滴伪影，intermediate feature maps很明显，几乎所有$64^2$分辨率的特征图都有这个问题，高分辨率下会变得更糟。

  

• 把锅甩给了AdaIN

5 Methods(Experiments A-F)

A. Baseline StyleGAN

B. + Weight demodulation

• StyleGAN模型图（未经修改的）

  

• 实验得出的一些改动：一、简化常数在开始时的处理方式。二、对特征进行归一化时不取mean。三、将噪声模块移到样式模块之外。

  

• Weight demodulation让训练更稳定，数学上和实例归一化不同，但是将输出特征图归一化为具有标准单位的标准偏差，达到了和其他归一化方法类似的目标。

  

  

  

  

C. + Lazy regularization

• 每16mini-batches add 一次regularization性能保持一致，还减少了计算消耗。

D. + Path length regularization

• 不论latent factor的值是多少，latent space中的相同位移应该在图像空间中产生相同的幅度变化。于是添加一个正则化项。具体需要read code。

  

E. + No growing

• StyleGAN利用Progressive growth的思想来稳定高分辨率图像的训练（PG-GAN）。StyleGAN2利用skip connection，并结合resnet的残差概念（residual）。

• 使用双线性滤波对前几层进行上/下采样，并尝试学习下一层的残差值来代替。

  

  

• MSG-GAN的设计就类似，简单来说就是skip connection+residual设计更新生成器、鉴别器整体框架。
  

F. + large Network

• 在开始时，低分辨率的层应该占主导地位。然而，随着更多的训练迭代，高分辨率层的贡献应该占主导地位。

• 在具体的1024×1024层中，高分辨率层的贡献并没有达到应有的程度。作者怀疑这些层的容量不够大。事实上，当高分辨率层的特征图数量增加一倍时，它的影响就会明显改善（右图）。

  

简单来说这种tricks没卡加不起，nvidia不缺卡啊。