Stack GAN

論文：

《StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generative Adversarial Networks》

早期以DCGAN為代表的網絡生成的圖片分辨率太低，質量不夠好，都不超過100×100，在32×32或者64×64左右。這是因為難以一次性學習到生成高分辨率的樣本，收斂過程容易不穩定。因此采用級聯結構，逐次提升分辨率的Stack GAN應運而生。

上圖是Stack GAN的網絡結構圖。其中的Conditioning Augmentation，顯然使用了和VAE類似的添加隨機噪聲的技術。

類似想法的還有LAPGAN。

論文：

《Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks》

上圖是LAPGAN的網絡結構圖。顧名思義，這是使用了Laplacian Pyramid來不斷提升生成圖片的分辨率。

另，StackGAN還有后續版本StackGAN++。

參考：

https://www.cnblogs.com/wangxiaocvpr/p/5966776.html

LAPGAN論文筆記

https://zhuanlan.zhihu.com/p/30532830

眼見已不為實，迄今最真實的GAN：Progressive Growing of GANs

GAN Ensemble

除了級聯結構之外，以下結構用的也比較多。

多判別器單生成器

論文：

《Generative Multi-Adversarial Networks》

采用多個判別器的好處帶來了類似于boosting的優勢，訓練一個過于好的判別器，會損壞生成器的性能，這是GAN面臨的一個大難題。如果能夠訓練多個沒有那么強的判別器，然后進行boosting，可以取得不錯的效果，甚至連dropout技術都可以應用進來。

多個判別器還可以相互進行分工，比如在圖像分類中，一個進行粗粒度的分類，一個進行細粒度的分類。在語音任務中，各自用于不同聲道的處理。

單判別器多生成器

論文：

《Multi-Agent Diverse Generative Adversarial Networks》

一般來說，生成器相比判別器要完成的任務更難，因為它要完成數據概率密度的擬合，而判別器只需要進行判別，導致影響GAN性能的一個問題就是模式坍塌，即生成高度相似的樣本。采用多個生成器單個判別器的方法，可以有效地緩解這個問題。

從上圖結構可以看出，多個生成器采用同樣的結構，在網絡的淺層還共享權重。

增加分類器

論文：

《Triple Generative Adversarial Nets》

在利用GAN進行半監督的圖像分類任務時，判別器需要同時擔任兩個角色，即判別生成的假樣本，以及預測類別，這對判別器提出了較高的要求。通過增加一個分類器可以分擔判別器的工作量，即將捕捉樣本和標簽的條件分布這一任務交給生成器和分類器，而判別器只專注于區分真實樣本和生成的樣本。

Pix2Pix

論文：

《Image-to-image translation with conditional adversarial networks》

代碼：

https://github.com/phillipi/pix2pix

torch版本

https://github.com/affinelayer/pix2pix-tensorflow

tensorflow版本

https://github.com/williamFalcon/pix2pix-keras

keras版本

Pix2Pix對于user control的要求比一般的CGAN更高，這里的監督信息不再是一個類別，而是一張圖片。上圖就是一個使用Pix2Pix對素描圖上色的示例。其中的素描圖就相當于CGAN中的類別信息。

Pix2Pix相對于傳統GAN的改進在于：

**1.D網絡的輸入同時包括生成的圖片X和它的素描圖Y，X和Y使用Concat操作進行融合。**例如，假設兩者都是3通道的RGB顏色圖，則D網絡的Input就是一個6通道的tensor，即所謂的Depth-wise concatenation。

**2.G網絡使用dropout來提供隨機性。**作者在實踐中發現，傳統的噪聲向量在這個模型的學習過程中，被模型忽略掉了，起不到相應的作用。

**3.G網絡使用U-NET。**實踐表明，U-NET比AE的效果要好。

4.L1損失函數的加入來保證輸入和輸出之間的一致性。

5.使用PatchGAN來保證局部精準。

一般的GAN的D網絡，只需要輸出一個true or fasle的矢量，這代表對整張圖像的評價。而PatchGAN輸出的是一個NxN的矩陣，這個NxN的矩陣的每一個元素，對應著原圖中的一個Patch。

判別器對每一個patch做真假判別，將一張圖片所有patch的結果取平均作為最終的判別器輸出。這一步在具體實現上，就是使用Conv來代替D網絡最后一層的FC。由于Conv操作不在乎輸入尺寸，因此可以用不同尺寸的圖片訓練網絡。

這是使用不同大小的patch的效果。可以看出patch size越大，則效果越好，但是計算量也越大。s

參考：

https://blog.csdn.net/stdcoutzyx/article/details/78820728

Pix2Pix-基于GAN的圖像翻譯

https://zhuanlan.zhihu.com/p/38411618

pix2pix

https://www.jianshu.com/p/8c7a7cb7198c

pix2pix

https://blog.csdn.net/gdymind/article/details/82696481

一文讀懂GAN, pix2pix, CycleGAN和pix2pixHD

https://mp.weixin.qq.com/s/_PlISSOaowgvVW5msa7GlQ

條件GAN高分辨率圖像合成與語義編輯pix2pixHD

https://mp.weixin.qq.com/s/PoSA6JXYE_OexEoJYzaX4A

利用條件GANs的pix2pix進化版：高分辨率圖像合成和語義操作

https://blog.csdn.net/xiaoxifei/article/details/86506955

關于PatchGAN的理解

CycleGAN

除了基于紋理的Style Transfer之外，基于GAN的Style Transfer是另外一個流派。

CycleGAN是朱俊彥2017年的作品。

朱俊彥，清華本科（2012）+UCB博士（2018）。
個人主頁：
http://people.csail.mit.edu/junyanz/

論文：

《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》

Pix2Pix要求訓練數據的X和Y是成對的，因此它只適合于圖片翻譯任務。對于一般的Style Transfer來說，訓練數據顯然是不配對的，那么又該怎么辦呢？

首先，簡單的按照CGAN的做法，肯定是行不通的。最終生成的圖片，實際上只是Y的復刻，一點X的影子都沒有。

上圖是CycleGAN的網絡結構圖。它的要點如下：

1.既然G網絡缺乏配對的生成數據，那么不妨采用類似AE的手法來處理。

1）我們首先使用$G_{X\to Y}$將X變成Domain Y的數據$Y^{\prime }$。

2）再使用$G_{Y\to X}$將$Y^{\prime }$變成Domain X的數據$X^{\prime }$。

3）X和$X^{\prime }$顯然是配對的，因此也就是可以比較的。

2.D網絡不需要配對數據即可訓練。

3.為了增加訓練穩定性，我們可以交替訓練兩個網絡：$$\to Y^{\prime }\to X^{\prime }$和$Y\to X^{\prime }\to Y^{\prime }$。其中的$G_{X\to Y}$和$G_{Y\to X}$在兩個網絡中的參數是相同的。

CycleGAN不僅可用于Style Transfer，還可用于其他用途。

上圖是CycleGAN用于Steganography（隱寫術）的示例。

值得注意的是，CycleGAN的idea并非該文作者獨有，同期（2017.3）的DualGAN和DiscoGAN采用了完全相同做法。

DualGAN論文：

《DualGAN: Unsupervised Dual Learning for Image-to-Image Translation》

DiscoGAN論文：

《Learning to Discover Cross-Domain Relationswith Generative Adversarial Networks》

Cycle-consistency的思想也可用于其他領域。例如：

參考：

https://zhuanlan.zhihu.com/p/28342644

CycleGAN的原理與實驗詳解

https://mp.weixin.qq.com/s/7GHBH79kWIpEBLYX-VEd7A

CycleGAN：圖片風格，想換就換

https://mp.weixin.qq.com/s/sxa0BfXtylHXzjq0YBn-Kg

伯克利圖像遷移cycleGAN，貓狗互換效果感人

https://mp.weixin.qq.com/s/tzPCU1bxQ7NWtQ7o2PjF0g

BAIR提出MC-GAN，使用GAN實現字體風格遷移

https://mp.weixin.qq.com/s/A2VhfO3CkyQGCs5GqBWzOg

實景照片秒變新海誠風格漫畫：清華大學提出CartoonGAN

https://mp.weixin.qq.com/s/rt4uuqh8IrZTjsYXEZvxKQ

阿里提出全新風格化自編碼GAN，圖像生成更逼真！

https://mp.weixin.qq.com/s/3lrCRiq5zuX9yWxiQRQE9A

CartoonGAN不靠手繪，也能成為漫畫達人

https://mp.weixin.qq.com/s/PhaDqX3OT-mqyFHohDMfdA

從Pix2Code到CycleGAN：2017年深度學習重大研究進展全解讀

https://mp.weixin.qq.com/s/dwEHorYSJuX9JapIYLHiXg

BicycleGAN：圖像轉換多樣化，大幅提升pix2pix生成圖像效果

https://mp.weixin.qq.com/s/VU06PqZ4OaLxpjLwIObWZw

加強版CycleGAN！賈佳亞等提出卡通圖與真實人臉轉換模型，看女神突破次元壁長啥樣

https://mp.weixin.qq.com/s/eT7K78e2xKkTqmz67pqmEg

炫酷的圖像轉換：從pix2pix到CycleGAN

https://mp.weixin.qq.com/s/iFuZ8IqyrKGTxJ2ChU6NJA

CycleGAN之美：賽馬翻譯成斑馬背后的直覺和數學

總結

以上是生活随笔為你收集整理的深度学习（四十五）——Stack GAN, GAN Ensemble, Pix2Pix, CycleGAN的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。