一文读懂GAN, pix2pix, CycleGAN和pix2pixHD

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：Games2018 Webinar 64期 ：Siggraph 2018优秀博士论文报告

人员信息

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

周晓巍
现状：浙江大学CAD&CG国家重点实验室
个人主页：http://www.cad.zju.edu.cn/home/xzhou/

报告内容

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）！

注：这里的“高维”可以理解成数据量大。

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 $G$和 D $D$。其中， G $G$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 $z$之后，它将输出一幅由神经网络自动生成的、假的图片 G(z) $G(z)$。

另外一个网络 D $D$为Discriminator是用来判断的，它接受 G $G$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 $G$生成的图片越来越像真的图片， D $D$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 $D$不要了，把 G $G$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 $D$的能力的前提下，最小化 D $D$对 G $G$的判断能力，这是一个最小最大值问题，它的学习目标是：

minGmaxD𝔼[logD(G(z))+log(1−D(x))] $$\underset{G}{min}\underset{D}{max}\mathbb{E}[\log D(G(z))+\log (1-D(x))]$$

为了增强 D $D$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)) $D(G(z))$处理的是假图像 G(z) $G(z)$，这时候评分 D(G(z)) $D(G(z))$需要尽力降低；第二项处理的是真图像 x $x$，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 G $G$的输出如果是下面这样， D $D$会判断是真图：

但如果 G $G$的输出是下面这样的， D $D$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 $G$，因为是否对应根本不影响 D $D$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 $G$的输入和输出一起作为 D $D$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 G $G$，我们还需要一个把斑马变回马的网络 F $F$。
那么，一匹马 x $x$用 G $G$变成斑马 s=G(x) $s=G(x)$，然后再用 F $F$把它变回马 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)) $x=F(G(x))$。

反过来，斑马变马再变回斑马也要满足要求，注意这一步不能省（请读者自己想一想为什么）！

我们同时优化 G $G$和 F $F$，最后就能拿到一个想要的网络 G $G$。

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 G $G$ 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：

再比如：
- 图像增强（Image Enhancement）
- 图像去雾（Image Dehazing）
- 非监督动作重定向Neural Kinematic Networks for Unsupervised Motion Retargetting

其他问题

目前生成的斑马视频帧与帧之间的纹理变化较大，为了解决帧之间的连续性问题，新的研究工作应运而生：Video-to-Video Synthesis。
它主要的解决思路有下面三个：
1. 输入一段视频中的几帧，检查真假
2. 把前面的帧当做后面帧的输入
3. 使用“optical flow”，具体请看paper

总结

本文介绍了怎样用神经网络生成图片，我们使用pix2pix完成了基本任务，使用CycleGAN解决了输入数据不成对的问题，最后用pix2pixHD解决了图像分辨率和图像质量的问题。