摘要：而訓練的好壞，以及逆映射的好壞對實驗結果影響會比較大，經過幾個階段的訓練，圖像的內容損失會比較嚴重，實際中我們也可以觀察到的實驗效果比較差。

這是一篇總結文，總結我看過的幾篇用GAN做圖像翻譯的文章的“套路”。

首先，什么是圖像翻譯？

為了說清楚這個問題，下面我給出一個不嚴謹的形式化定義。我們先來看兩個概念。第一個概念是圖像內容(content) ?，它是圖像的固有內容，是區分不同圖像的依據。第二個概念是圖像域(domain)，域內的圖像可以認為是圖像內容被賦予了某些相同的屬性。舉個例子，我們看到一張貓的圖片，圖像內容就是那只特定的喵，如果我們給圖像賦予彩色，就得到了現實中看到的喵；如果給那張圖像賦予鉛筆畫屬性，就得到了一只“鉛筆喵”。喵~

當然，還有一種圖像翻譯，在翻譯的時候會把圖像內容也換掉，下面介紹的方法也適用于這種翻譯，這種翻譯除了研究圖像屬性的變化，還可以研究圖像內容的變化，在這里就不做討論了。

常見的GAN圖像翻譯方法

下面簡單總結幾種GAN的圖像翻譯方法。

pix2pix

簡單來說，它就是跟cGAN。Generator的輸入不再是noise，而是圖像。

CycleGAN/DualGAN/DiscoGAN

要求圖像翻譯以后翻回來還是它自己，實現兩個域圖像的互轉。

DTN

用一個encoder實現兩個域的共性編碼，通過特定域的decoder解碼，實現圖像翻譯。

FaderNets

用encoder編碼圖像的內容，通過喂給它不同的屬性，得到內容的不同表達。

IcGAN

依靠cGAN喂給它不同屬性得到不同表達的能力，學一個可逆的cGAN以實現圖想到圖像的翻譯（傳統的cGAN是編碼+屬性到圖像的翻譯）。

GeneGAN

將圖像編碼成內容和屬性，通過交換兩張圖的屬性，實現屬性的互轉。

Face Age-cGAN

這篇是做同個人不同年齡的翻譯。依靠cGAN喂給它不同屬性（年齡）得到不同年齡的圖像的能力，學cGAN的逆變換以得到圖像內容的編碼，再通過人臉識別系統糾正編碼，實現保id。

圖像翻譯方法的完備性

我認為一個圖像翻譯方法要取得成功，需要能夠保證下面兩個一致性（必要性）：

Content consistency（內容一致性）

Domain consistency（論域一致性）

此外，我們也似乎也可以認為，滿足這兩點的圖像翻譯方法是能work的（充分性）。

我把上述兩點稱為圖像翻譯方法的完備性，換句話說，只要一個方法具備了上述兩個要求，它就應該能work。關于這個完備性的詳細論述，我會在以后給出。

下面，我們來看一下上述幾種方法是如何達成這兩個一致性的。

內容一致性

我把它們實現內容一致性的手段列在下面的表格里了。

這里有兩點需要指出。

其一，有兩個方法（IcGAN和Face Age-cGAN）依靠cGAN的能力，學cGAN的逆映射來實現圖像換屬性，它們會有多個訓練階段，不是端到端訓練的方法。而cGAN訓練的好壞，以及逆映射的好壞對實驗結果影響會比較大，經過幾個階段的訓練，圖像的內容損失會比較嚴重，實際中我們也可以觀察到 IcGAN 的實驗效果比較差。Face Age-cGAN通過引入人臉識別系統識別結果相同的約束，能夠對內容的編碼進行優化，可以起到一些緩解作用。

其二，DTN主要依靠TID loss來實現內容的一致性，而編碼一般來說是有損的，編碼相同只能在較大程度上保證內容相同。從DTN的emoji和人臉互轉的實驗我們也可以看出，emoji保id問題堪憂，參看下圖。

論域一致性

論域一致性是指，翻譯后的圖像得是論域內的圖像，也就是說，得有目標論域的共有屬性。用GAN實現的方法，很自然的一個實現論域一致性的方法就是，通過discriminator判斷圖像是否屬于目標論域。

上述幾種圖像翻譯的方法，它們實現論域一致性的手段可以分為兩種，參見下表。

此外，可以看到，FaderNets實現兩個一致性的方法都是剝離屬性和內容，而實現剝離手段則是對抗訓練。編碼層面的對抗訓練我認為博弈雙方不是勢均力敵，一方太容易贏得博弈，不難預料到它的訓練會比較tricky，訓練有效果應該不難達成，要想得到好的結果是比較難的。目前還沒有看到能夠完美復現的代碼。文章的效果太好，好得甚至讓人懷疑。

最后的最后，放一個歌單，聽說聽這個歌單煉丹會更快哦。

參考文獻

1. Isola P, Zhu J Y, Zhou T, et al. Image-to-image translation with conditional adversarial networks[J]. arXiv preprint arXiv:1611.07004, 2016.

2. Zhu J Y, Park T, Isola P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[J]. arXiv preprint arXiv:1703.10593, 2017.

3. Yi Z, Zhang H, Gong P T. DualGAN: Unsupervised Dual Learning for Image-to-Image Translation[J]. arXiv preprint arXiv:1704.02510, 2017.

4. Kim T, Cha M, Kim H, et al. Learning to discover cross-domain relations with generative adversarial networks[J]. arXiv preprint arXiv:1703.05192, 2017.

5. Taigman Y, Polyak A, Wolf L. Unsupervised cross-domain image generation[J]. arXiv preprint arXiv:1611.02200, 2016.

6. Zhou S, Xiao T, Yang Y, et al. GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired Data[J]. arXiv preprint arXiv:1705.04932, 2017.

7. Lample G, Zeghidour N, Usunier N, et al. Fader Networks: Manipulating Images by Sliding Attributes[J]. arXiv preprint arXiv:1706.00409, 2017.

8. Brock A, Lim T, Ritchie J M, et al. Neural photo editing with introspective adversarial networks[J]. arXiv preprint arXiv:1609.07093, 2016.

9. Antipov G, Baccouche M, Dugelay J L. Face Aging With Conditional Generative Adversarial Networks[J]. arXiv preprint arXiv:1702.01983, 2017.

10. Perarnau G, van de Weijer J, Raducanu B, et al. Invertible Conditional GANs for image editing[J]. arXiv preprint arXiv:1611.06355, 2016.

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754