乾貨 | Generative Adversarial Networks（GAN）的現有工作

程式媛的日常(小S) · 2016-02-29 15:21

今天想與大家分享的是影象生成中一些工作。這些工作都基於一大類模型，Generative Adversarial Networks（GAN）。從模型名稱上甚至都可以看出一些發展軌跡：GAN->CGAN->LAPGAN->DCGAN->GRAN->VAEGAN 等等。所以，在今天的分享中，我會盡量以梳理論文和論文之間的聯絡、區別為主。會涉及的論文有：

1.《Generative Adversarial Nets》

2.《Conditional Generative Adversarial Nets》

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

4.《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》

5.《Autoencoding beyond pixels using a learned similarity metric》

6.《Generating Images with Recurrent Adversarial Networks》

既然是影象生成，就要考慮 generative models。過去的兩三年中出現的 generative models 主要可被歸於兩類。一類是基於 Variational AutoEncoder（VAE），其優點是改變了 AutoEncoder 中很容易過擬合的 reconstruction error based learning 的方法，將學習的目標變成去儘可能滿足某個預設的先驗分佈的性質。然而，可以看出，這種需要“假設先驗分佈”的方式仍然有侷限。而第二類 generative models，Generative Adversarial Networks（GAN）

然而，everything has a price. 這種不需要預先建模的方式的缺點就是在於它太過自由了，對於較大的圖片，較多的 pixel 的情形，基於簡單 GAN 的方式就不太可控了。在 GAN[1] 中，每次學習引數的更新過程，被設為 D 更新 k 回，G 才更新 1 回，也是出於類似的考慮。

為了解決 GAN 太過自由的這個問題，一個很自然的思想便是給 GAN 加上一點點束縛，於是便有了 Conditional Generative Adversarial Nets（CGAN）[2]。這篇工作的改進非常 straightforward，就是在 D 和 G 的建模中分別加入 conditional 變數 y。後來這一方式也被證明非常有效。

另一方面，為了改進 GAN 太自由的問題，還有一個想法就是不要讓 GAN 一次完成全部任務，而是一次生成一部分，分多次生成一張完整的圖片。Sounds familiar？對啊，就是去年 DeepMind 大火的一個工作 DRAW 的思想咯。DRAW 中指出，我們人類在完成一幅圖畫時，都不一定是一筆完成的，我們又為何要求機器能做到呢？所以 DRAW 用了一種 sequential VAE 的模型，讓機器一點點“寫”出了一個個數字。於是 Facebook 等人提出的 LAPGAN[3] 則是採用了這樣的思想，在 GAN 基礎上做出了改進。LAPGAN[3] 這個工作既有 project page，也有開原始碼，是非常值得重視的工作。

在實現 sequential version 的方式上，LAPGAN[3] 這個工作採用的是一種幾十年前的 Laplacian Pyramid 的方式，也因此起名做 LAPGAN。

這個方式主要的操作便是 downsample 和 upsample，而優勢是每次只考慮樣本和生成影象之間的殘差的學習效果，某種程度上和 Residual Network 的思想是一樣的。針對殘差的逼近和學習，相對更加容易。於是，在這個思想上，便有了如下 LAPGAN 的學習過程：

這個圖中，當影象是較大 pixel 時，便需要進行 Laplacian Pyramid 過程，並且在每一個 process step 時（每一個 Pyramid level），傳給 D 的只是針對殘差的 compare。另一方面，當 pixel 足夠小的時候，也就是最右邊的 step，則不再需要進行 upsample 和 downsample 的過程，這時給 D 的 傳送則是未經處理的樣本和生成的影象了。Facebook 指出，這樣的 sequential 方式減少了每一次 GAN 需要學習的內容，也就從而增大了 GAN 的學習能力。值得注意的是，LAPGAN 其實也是 LAPCGAN，都是 conditional 的。另外，每一步的 GAN 都是 independently trained 的。與此同時，這篇論文還總結出了許多工程上的經驗，都在他們的 project page 中。

DCGAN[4] 這篇論文的提出看似並沒有很大創新，但其實它的開原始碼現在被使用和借鑑的頻率最高。這一切必須歸功於這篇工作中比 LAPGAN 更 robust 的工程經驗分享。也就是說，DCGAN，Deep Convolutional Generative Adversarial Networks，這個工作[4]，指出了許多對於 GAN 這種不穩定學習方式重要的架構設計和針對 CNN 這種網路的特定經驗。重點來看：

比如他們提出既然之前已經被提出的 strided convolutional networks 可以從理論上實現和有 pooling 的 CNN 一樣的功能和效果，那麼 strided convolutional networks 作為一個可以 fully differentiable 的 generator G，在 GAN 中會表現得更加可控和穩定。又比如，本來 Facebook 的 LAPGAN 中指出 Batch Normalization（BN） 被用在 GAN 中的 D 上會導致整個學習的 collapse，但是 DCGAN 中則成功將 BN 用在了 G 和 D 上。這些工程性的突破無疑是更多人選擇 DCGAN 這一工作作為 base 的重要原因。

另一方面，他們在 visualize generative models 也有許多貢獻。比如他們學習了 ICLR 2016 論文《Generating Sentences From a Continuous Space》中的 interpolate space 的方式，將生成圖片中的 hidden states 都 show 了出來，可以看出影象逐漸演變的過程。

今天要推薦的倒數第二篇論文[5] 也和 DRAW 有著非常多的相似點。之前已經說了，在改進 GAN 時，可以考慮 sequential version。Sequential models 的好處便是可以讓下一步的 model 利用上一步得到的結果，在之前的結果上做出修改，類似於一種 conditional 的方式。為了讓 GAN 也擁有這種 sequential 的能力，這篇論文[5] 將把 GAN 和 LSTM 結合，稱為 GRAN，使其分割成了 step by step 的過程。每一個 step 中，就像 LSTM 的 cell 一樣，都有一個 C_t，這個決定的是 what to draw，也就是畫的 content，也是每一個 step 的 output；同時，就像 LSTM 中的 hidden states 一樣，這裡也有 h_{c,t}。與簡單的 LSTM 不同的是，這裡決定每個 cell 內容，也就是  的不僅僅是 hidden states，還有一個 “hidden of prior”，是專屬於 GAN 中的生成模型 G 的一個先驗 ，h_z。 h_z 和 h_{c,t} 拼接（concatenate）之後共同決定當前 step 的 update——what to draw。

那麼在實驗中，這篇論文也確實證明了 sequential models（multi-step）生成的影象比 single step 的要好。只不過，generative models 的 evaluation 還比較模糊，所以實驗結果上並不能很好地和以前的 GAN 或者相關方法做比較。接下來另一個重點來了，這篇論文的一個創新便是提出了一種 GAN 這種特殊 generative models 的評價方法。過去用於評價 generated image 的 Parzen Windows 或者 manual evaluation 等方法都各有各的缺點。這篇論文提出，既然本來就是競爭模型，可以讓兩組 GAN 互相“競爭”評價。互為評委，互為選手。下面這個配圖也是挺萌的……

上面說的都是通過變成 sequential versions 來減弱 GAN 的自由性。但是還有一篇工作[6]，是“反其道而行之”，將 GAN 中學出來的 feature 重新運用在 VAE 的 reconstruction objective 中，從而結合了 GAN 和 VAE 的優點。於是，這個工作被稱為 VAEGAN。

今天的論文全部介紹完畢，其實基於博弈論的競爭思想，還發展處了 Adversarial AutoEncoder 等工作，但是思想上大同小異，大家有興趣可以自己再去閱讀啦。