用机器学习生成图片：GAN的局限性以及如何GAN的更爽

又到了 Weekend Eve，大家应该都出去玩了吧？看到今天的标题还敢点进来看的人，禅师敬你是个肥宅。肥宅永远快乐。

今天转载的文章，来自译智社的小伙伴。这是一群来自全国多所顶级高校、很有理想的年轻人，因为热爱人工智能，组成了一个社团（字面意义的社团），努力推进人工智能的普及。说起来跟本禅师的愿景很一致嘛。

可能很多人不知道，今天其实是国际平静日（Day of Peace）。所以，今天大家应该 燥！起！来！

全文大约1500字。读完可能需要下面这首歌的时间

?

用机器学习生成图片（上）—— GAN 和 pix2pix

本文翻译、总结自朱俊彦的线上报告，主要讲了如何用机器学习生成图片。 来源： https://games-cn.org/games-webinar-20180913-64/

主讲嘉宾

姓名：朱俊彦（Jun-Yan Zhu）

现状：

麻省理工学院博士后（PostDoc at MIT）

计算机科学与人工智能实验室（Computer Science and Artificial Intelligence Laboratory, CSAIL）

个人主页：

http://people.csail.mit.edu/junyanz/

主持人

姓名：周晓巍

现状：

浙江大学 CAD&CG 国家重点实验室

个人主页：

https://fling.seas.upenn.edu/~xiaowz/dynamic/wordpress/

这是机器学习滴时代！

计算机视觉（Computer Vision, CV）领域近年来发生了巨大的变化。在 2012 年之前，CV 的主要研究方法是使用人工设计（hand-designed）的特征完成各种任务（见下图）。

2012 年使用深度神经网络（Deep Neural Network, DNN）在 ImageNet 的分类任务上取得了巨大成功（见下图）。

从此深度学习（Deep Learning）的相关研究如火如荼地展开了，比如说下面这三个栗子：

1. 物体识别（Object detection） [Redmon etal., 2018]
2. 对人体的理解（Human understanding） [Guler et al., 2018]
3. 自动驾驶（Autonomous driving） [Zhao et al., 2017]

图形学中的尝试：趁手的武器 or 白费功夫？

在传统的图形学管线（pipeline）中，输出图像需要经过建模、材质贴图、光照、渲染等一系列繁琐的步骤（见下图）。

现在大家看到了 Deep Learning 的潜力，那我们自然的就有个想法：有没有可能使用 Deep Learning 简化计算机图形学（Computer Graphics）的研究呢？

一个直接的想法是把 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？

很遗憾，答案是 No！因为这种任务实在太复杂啦！我们很难让 DNN 凭空输出图像这样的高维数据（High dimensional data）（这里的「高维」可以理解成数据量大）。实际上，在很长一段时间里，DNN 只能输出数字这种简单的、低分别率的小图像，就像下面这样：

而想要生成想游戏场景这类的图片，这种方法根本没用。所以，我们必须得想出更厉害滴东西完成这项任务（使命感爆棚）！

GAN 就完了？Naive！

于是…在月黑风高的某一天（画风逐渐跑偏），一个叫做生成对抗网络 (Generative Adversarial Network)，也就是大名鼎鼎的 GAN —— 的东西横空出世。作者是下面这位小哥和他的小伙伴们：

那么，我们该怎么 GAN 出图像呢？且听我细细道来~

一般来说，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）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。

在两个网络互相博弈（金坷垃日本人：不邀哒架）的过程中，两个网络的能力都越来越高：G 生成的图片越来越像真的图片，D 也越来越会判断图片的真假。到了这一步，我们就能「卸磨杀驴」—— 丢掉 D 不要了，把 G 拿来用作图片生成器。

正式一点儿讲（上公式啦），我们就是要在最大化 D 的能力的前提下，最小化 D 对 G 的判断能力，这是一个最小最大值问题，它的学习目标是：

为了增强 D 的能力，我们分别考虑输入真的图像和假的图像的情况。上式中第一项的 D(G(z)) 处理的是假图像 G(z)，这时候评分 D(G(z)) 需要尽力降低；第二项处理的是真图像 x，这时候的评分要高。

GAN的局限性

即便如此，传统的 GAN 也不是万能的，它有下面两个不足：

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。

怎样改善？

前面说过传统的 GAN 的种种局限，那么现在，我们相应的目标就是：

• 提高 GAN 的用户控制能力
• 提高 GAN 生成图片的分辨率和质量

为了达到这样的目标，和把大象装到冰箱里一样，总共分三步：

1. pix2pix：有条件地使用用户输入，它使用成对的数据（paired data）进行训练。
2. CycleGAN：使用不成对的数据（unpaired data）的就能训练。
3. pix2pixHD：生成高分辨率、高质量的图像。

下面分别进行详细叙述~

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。此时的 G 输出如果是下面这样，D 会判断是真图：

但如果 G 的输出是下面这样的，D 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 G，因为是否对应根本不影响 D 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 G 的输入和输出一起作为 D 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，大家可以去在线体验一下 demo，把草图（sketch）变成图片：

链接地址：https://affinelayer.com/pixsrv/

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]：

下次会讲 CycleGAN 和 pix2pixHD ，它们分别解决了数据不成对和图像分辨率低的问题。