Image-to-Image Translation with Conditional Adversarial Networks

Image-to-Image Translation with Conditional Adversarial Networks

论文主要内容：

1.提出了一种对于gan的理解

对于很多任务，我们都需要自己设计目标函数，来使得网络达到我们想要的任务和目的。而gan网络的出现，使得我们无需再手工设计我们的目标函数，而是利用gan网络来通过数据来“自动生成”我们想要的损失目标。文中提到，对于cnn 网络，能够应用在分类或者检测上，但是依然需要去设计高效的损失去达到目的。如果能够设定一个高级的目标，诸如“生成一张以假乱真的图片”，然后让网络自己学习损失，是文中想要表述的目的。

2.提出了一种image-to-image 的通用框架

类比于语言翻译，这里可以引用到任何的图像之间的翻译转换。

3.提出了Conditional gan 网络

1.逐像素的分类和回归，中对于结构是“看不见的”，这些方法只会认为每一个像素都是条件独立的，彼此之间的联系没有考虑进来。

2.c gan 能够看见结构之间的差异，对于毗连的结构能够起到监督和惩罚作用

3.在生成网络上，提出一种新的网络，U-Net ，

区别：

encoder-decoder : 输入网络，逐渐下采样，然后到了bottomneck，不断上采样，输入和输出，共享的是抽象的特征

U-Net：通过将 第 i层 和第 n-i 层的网络之间进行concatentes ，其中n为总共的网络层数，有助于低级特征，就是更细节的特征进行前后的传输。

4.在判别器网络上，提出一种PatchGan的分类器，能够对缩放的图片进行结构上的监督和惩罚

5.普通gan和cgan之间的差异

c gan公式

 其中 x 是输入图像，z 是噪声向量， y是最终的输出的fake 图像

c gan 的训练流程

 其中cgan 的训练流程和普通gan 的区别在与，cgan的生成器和判别器都能看见输入图像的边界图，也就是上图的x

普通gan的公式如下：

可以看到，这里的判别器只看见 最终丢给他的真图或者生成的假图

另外，文中提出，使用L1损失，对于图像生成的模糊的程度，相比L2损失来说，降低了很多

L1损失公式如下：

最终的目标公式：

如果没有加入噪声z 的问题在于，原先的gan网络会生成确定的输出，因此不能匹配除函数以外的任何分布。

 

6.patchGan的特点

L1损失专注于低频结构，而patchGan的损失专注于高频结构

做法：将图像最后进行缩放成N*N大小的patch，然后对这N*N个单元，进行逐个元素的 real or fack 的判断。判断形式就是二分类的损失函数，对于每一个单元做二分类的交叉损失，来确定，每一个每一个块是不是对应的这么图和假图，因为这样能确认缩放的每一块是不是最终的真图和假图。

patchGan可以认为是一种风格损失，将图像建模为一种马尔科夫随机场，并假设像素之间的独立距离大于一个斑块的直径。

4.实验部分：

L1损失：倾向于使用条件概率密度的中间值来给图片上色

cGan：使颜色分布向着更正确的方向进行激励

cgan的匹配性质的颜色分布，这里的颜色分布是基于Lab色彩空间，分别含有L，a，b分量，（https://zh.wikipedia.org/wiki/Lab%E8%89%B2%E5%BD%A9%E7%A9%BA%E9%97%B4）可以看到 L1 损失更加倾向于平均的，灰度的的颜色生成，而增加了cgan的作用在于，使得颜色分布更加接近于真实图像

基于语义分割的实验

将复杂的图输入，生成对应的map图，然后丢给分类器进行分类进行定量分析，结果发现L1损失的效果更好，

实验猜测：对于某些更确定的目的。比如说判断输出是不是更接近于ground truth ，而不是绘图方面，在这方面的的L1损失可能会比cgan要有效。