深度学习-读懂GAN, pix2pix, CycleGAN和pix2pixHD的关系

机器学习的时代

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。

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。

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

物体识别（Object detection） [Redmon etal., 2018]
对人体的理解（Human understanding） [Guler et al., 2018]
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。

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的东西完成这项任务！

GAN就完了？Naive！

于是，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：

那么，我们该怎么GAN出图像呢？

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） 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)。

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，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：

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。

但假如用户是有想法，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。比如输入一只猫的草图，输出同一形态的猫的真实图片（这里对形态的要求就是一种用户控制）。

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。

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，总共分三步：

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。
CycleGAN：使用不成对的数据（unpaired data）的就能训练。
pix2pixHD：生成高分辨率、高质量的图像。

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 的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。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：

草图变图片[Isola, Zhu, Zhou, Efros, 2016]：

灰度图变彩色图[Isola, Zhu, Zhou, Efros, 2016]：

自动着色 Data from [Russakovsky et al. 2015]：

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，我们还需要一个把斑马变回马的网络 F。
那么，一匹马 x 用 G 变成斑马 s = G(x)，然后再用 F 把它变回马 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))。

反过来，斑马变马再变回斑马也要满足要求，注意这一步最好不要省略。虽然理论上只用一个条件是可以的，但是现实实现中，有很多因素，比如计算的准备度，优化的问题，应用中都是把所有约束都加上。比如说 a = b = c，理论上我们只要要求 (a-b)^2 + (a-c)^2 = 0，但现实中我们都是做 (a-b)^2 + (a-c)^2 + (b-c)^2 = 0。