Autumn is coming——GAN眼中的四季變化

雷鋒網(wǎng) AI科技評(píng)論按，本文轉(zhuǎn)自知乎專欄學(xué)術(shù)興趣小組，作者Gapeng，雷鋒網(wǎng) AI科技評(píng)論獲其授權(quán)轉(zhuǎn)載。正文如下：

這是一篇總結(jié)文，總結(jié)我看過的幾篇用GAN做圖像翻譯的文章的“套路”。

首先，什么是圖像翻譯？

為了說清楚這個(gè)問題，下面我給出一個(gè)不嚴(yán)謹(jǐn)?shù)男问交x。我們先來看兩個(gè)概念。第一個(gè)概念是圖像內(nèi)容(content) ，它是圖像的固有內(nèi)容，是區(qū)分不同圖像的依據(jù)。第二個(gè)概念是圖像域(domain)，域內(nèi)的圖像可以認(rèn)為是圖像內(nèi)容被賦予了某些相同的屬性。舉個(gè)例子，我們看到一張貓的圖片，圖像內(nèi)容就是那只特定的喵，如果我們給圖像賦予彩色，就得到了現(xiàn)實(shí)中看到的喵；如果給那張圖像賦予鉛筆畫屬性，就得到了一只“鉛筆喵”。喵~

圖像翻譯是指圖像內(nèi)容從一個(gè)域 遷移到另一個(gè)域 ，可以看成是圖像移除一個(gè)域的屬性 ，然后賦予另一個(gè)域的屬性 。我們用 和 來表示域 和域 的圖像，圖像翻譯任務(wù)即可以定義為，尋找一個(gè)合適的變換 使得

當(dāng)然，還有一種圖像翻譯，在翻譯的時(shí)候會(huì)把圖像內(nèi)容也換掉，下面介紹的方法也適用于這種翻譯，這種翻譯除了研究圖像屬性的變化，還可以研究圖像內(nèi)容的變化，在這里就不做討論了。

常見的GAN圖像翻譯方法

下面簡(jiǎn)單總結(jié)幾種GAN的圖像翻譯方法。

• pix2pix

簡(jiǎn)單來說，它就是cGAN。Generator的輸入不再是noise，而是圖像。

• CycleGAN/DualGAN/DiscoGAN

要求圖像翻譯以后翻回來還是它自己，實(shí)現(xiàn)兩個(gè)域圖像的互轉(zhuǎn)。

• DTN

用一個(gè)encoder實(shí)現(xiàn)兩個(gè)域的共性編碼，通過特定域的decoder解碼，實(shí)現(xiàn)圖像翻譯。

• FaderNets

用encoder編碼圖像的內(nèi)容，通過喂給它不同的屬性，得到內(nèi)容的不同表達(dá)。

• IcGAN

依靠cGAN喂給它不同屬性得到不同表達(dá)的能力，學(xué)一個(gè)可逆的cGAN以實(shí)現(xiàn)圖像到圖像的翻譯（傳統(tǒng)的cGAN是編碼+屬性到圖像的翻譯）。

• GeneGAN

將圖像編碼成內(nèi)容和屬性，通過交換兩張圖的屬性，實(shí)現(xiàn)屬性的互轉(zhuǎn)。

• Face Age-cGAN

這篇是做同個(gè)人不同年齡的翻譯。依靠cGAN喂給它不同屬性（年齡）得到不同年齡的圖像的能力，學(xué)cGAN的逆變換以得到圖像內(nèi)容的編碼，再通過人臉識(shí)別系統(tǒng)糾正編碼，實(shí)現(xiàn)保id。

圖像翻譯方法的完備性

我認(rèn)為一個(gè)圖像翻譯方法要取得成功，需要能夠保證下面兩個(gè)一致性（必要性）：

• Content consistency（內(nèi)容一致性）

• Domain consistency（論域一致性）

此外，我們也似乎也可以認(rèn)為，滿足這兩點(diǎn)的圖像翻譯方法是能work的（充分性）。

我把上述兩點(diǎn)稱為圖像翻譯方法的完備性，換句話說，只要一個(gè)方法具備了上述兩個(gè)要求，它就應(yīng)該能work。關(guān)于這個(gè)完備性的詳細(xì)論述，我會(huì)在以后給出。

下面，我們來看一下上述幾種方法是如何達(dá)成這兩個(gè)一致性的。

內(nèi)容一致性

我把它們實(shí)現(xiàn)內(nèi)容一致性的手段列在下面的表格里了。

這里有兩點(diǎn)需要指出。

其一，有兩個(gè)方法（IcGAN和Face Age-cGAN）依靠cGAN的能力，學(xué)cGAN的逆映射來實(shí)現(xiàn)圖像換屬性，它們會(huì)有多個(gè)訓(xùn)練階段，不是端到端訓(xùn)練的方法。而cGAN訓(xùn)練的好壞，以及逆映射的好壞對(duì)實(shí)驗(yàn)結(jié)果影響會(huì)比較大，經(jīng)過幾個(gè)階段的訓(xùn)練，圖像的內(nèi)容損失會(huì)比較嚴(yán)重，實(shí)際中我們也可以觀察到 IcGAN 的實(shí)驗(yàn)效果比較差。Face Age-cGAN通過引入人臉識(shí)別系統(tǒng)識(shí)別結(jié)果相同的約束，能夠?qū)?nèi)容的編碼進(jìn)行優(yōu)化，可以起到一些緩解作用。

其二，DTN主要依靠TID loss來實(shí)現(xiàn)內(nèi)容的一致性，而編碼一般來說是有損的，編碼相同只能在較大程度上保證內(nèi)容相同。從DTN的emoji和人臉互轉(zhuǎn)的實(shí)驗(yàn)我們也可以看出，emoji保id問題堪憂，參看下圖。

論域一致性

論域一致性是指，翻譯后的圖像得是論域內(nèi)的圖像，也就是說，得有目標(biāo)論域的共有屬性。用GAN實(shí)現(xiàn)的方法，很自然的一個(gè)實(shí)現(xiàn)論域一致性的方法就是，通過discriminator判斷圖像是否屬于目標(biāo)論域。

上述幾種圖像翻譯的方法，它們實(shí)現(xiàn)論域一致性的手段可以分為兩種，參見下表。

此外，可以看到，F(xiàn)aderNets實(shí)現(xiàn)兩個(gè)一致性的方法都是剝離屬性和內(nèi)容，而實(shí)現(xiàn)剝離手段則是對(duì)抗訓(xùn)練。編碼層面的對(duì)抗訓(xùn)練我認(rèn)為博弈雙方不是勢(shì)均力敵，一方太容易贏得博弈，不難預(yù)料到它的訓(xùn)練會(huì)比較tricky，訓(xùn)練有效果應(yīng)該不難達(dá)成，要想得到好的結(jié)果是比較難的。目前還沒有看到能夠完美復(fù)現(xiàn)的代碼（20171013 Update：FaderNets目前能出效果，但是達(dá)不到文章那么好的清晰度，autoencoder重構(gòu)效果還是偏差）。文章的效果太好，好得甚至讓人懷疑。

Autumn is coming

這篇文章標(biāo)題是Autumn is coming——GAN眼中的四季變化。然而通篇雖然只字不提人臉，但是參考文獻(xiàn)做人臉的居多。為什么起這個(gè)標(biāo)題呢，以前是想著把這些方法用到四季轉(zhuǎn)換中去，跑些實(shí)驗(yàn)結(jié)果放在正文部分。嗯，實(shí)驗(yàn)還沒做完......還是拖延癥的問題，這是畢業(yè)論文的工作，距離開題還有段時(shí)間，捂臉......

// 喂喂喂，autumn is comming，實(shí)驗(yàn)再不做就要winter is comming了！

最后的最后，放一個(gè)歌單，聽說聽這個(gè)歌單煉丹會(huì)更快哦。

參考文獻(xiàn)

1. Isola P, Zhu J Y, Zhou T, et al. Image-to-image translation with conditional adversarial networks[J]. arXiv preprint arXiv:1611.07004, 2016.

2. Zhu J Y, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[J]. arXiv preprint arXiv:1703.10593, 2017.

3. Yi Z, Zhang H, Gong P T. DualGAN: Unsupervised Dual Learning for Image-to-Image Translation[J]. arXiv preprint arXiv:1704.02510, 2017.

4. Kim T, Cha M, Kim H, et al. Learning to discover cross-domain relations with generative adversarial networks[J]. arXiv preprint arXiv:1703.05192, 2017.

5. Taigman Y, Polyak A, Wolf L. Unsupervised cross-domain image generation[J]. arXiv preprint arXiv:1611.02200, 2016.

6. Zhou S, Xiao T, Yang Y, et al. GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired Data[J]. arXiv preprint arXiv:1705.04932, 2017.

7. Lample G, Zeghidour N, Usunier N, et al. Fader Networks: Manipulating Images by Sliding Attributes[J]. arXiv preprint arXiv:1706.00409, 2017.

8. Brock A, Lim T, Ritchie J M, et al. Neural photo editing with introspective adversarial networks[J]. arXiv preprint arXiv:1609.07093, 2016.

9. Antipov G, Baccouche M, Dugelay J L. Face Aging With Conditional Generative Adversarial Networks[J]. arXiv preprint arXiv:1702.01983, 2017.

10. Perarnau G, van de Weijer J, Raducanu B, et al. Invertible Conditional GANs for image editing[J]. arXiv preprint arXiv:1611.06355, 2016.

雷鋒網(wǎng) AI科技評(píng)論 

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。