摘要：的兩位研究者近日融合了兩種非對抗方法的優(yōu)勢，并提出了一種名為的新方法。的缺陷讓研究者開始探索用非對抗式方案來訓(xùn)練生成模型，和就是兩種這類方法。不幸的是，目前仍然在圖像生成方面顯著優(yōu)于這些替代方法。

生成對抗網(wǎng)絡(luò)（GAN）在圖像生成方面已經(jīng)得到了廣泛的應(yīng)用，目前基本上是 GAN 一家獨(dú)大，其它如 VAE 和流模型等在應(yīng)用上都有一些差距。盡管 wasserstein 距離極大地提升了 GAN 的效果，但其仍在理論上存在訓(xùn)練不穩(wěn)定和模式丟失的問題。Facebook 的兩位研究者近日融合了兩種非對抗方法的優(yōu)勢，并提出了一種名為 GLANN 的新方法。

這種新方法在圖像生成上能與 GAN 相媲美，也許除了 VAE、Glow 和 Pixcel CNN，這種新模型也能加入到無監(jiān)督生成的大家庭中。當(dāng)然在即將到來的 2019 年中，我們也希望 GAN 之外的更多生成模型會得到更多的成長，也希望生成模型能有更多的新想法。

生成式圖像建模是計(jì)算機(jī)視覺長期以來的一大研究方向。無條件生成模型的目標(biāo)是通過給定的有限數(shù)量的訓(xùn)練樣本學(xué)習(xí)得到能生成整個(gè)圖像分布的函數(shù)。生成對抗網(wǎng)絡(luò)（GAN）是一種新的圖像生成建模技術(shù)，在圖像生成任務(wù)上有廣泛的應(yīng)用，原因在于：1）能訓(xùn)練有效的無條件圖像生成器；2）幾乎是一種能用于不同域之間無監(jiān)督圖像轉(zhuǎn)換的方法（但還有 NAM 也能做圖像轉(zhuǎn)換）；3）是一種有效的感知式圖像損失函數(shù)（例如 Pix2Pix）。

?

GAN 有明顯的優(yōu)勢，但也有一些關(guān)鍵的缺點(diǎn)：1）GAN 很難訓(xùn)練，具體表現(xiàn)包括訓(xùn)練過程非常不穩(wěn)定、訓(xùn)練突然崩潰和對超參數(shù)極其敏感。2）GAN 有模式丟失（mode-dropping）問題——只能建模目標(biāo)分布的某些模式而非所有模式。例如如果我們用 GAN 生成 0 到 9 十個(gè)數(shù)字，那么很可能 GAN 只關(guān)注生成「1」這個(gè)數(shù)字，而很少生成其它 9 個(gè)數(shù)字。

一般我們可以使用生日悖論（birthday paradox）來衡量模式丟失的程度：生成器成功建模的模式數(shù)量可以通過生成固定數(shù)量的圖像，并統(tǒng)計(jì)重復(fù)圖像的數(shù)量來估計(jì)。對 GAN 的實(shí)驗(yàn)評估發(fā)現(xiàn)：學(xué)習(xí)到的模式數(shù)量顯著低于訓(xùn)練分布中的數(shù)量。

?

GAN 的缺陷讓研究者開始探索用非對抗式方案來訓(xùn)練生成模型，GLO 和 IMLE 就是兩種這類方法。Bojanowski et al. 提出的 GLO 是將訓(xùn)練圖像嵌入到一個(gè)低維空間中，并在該嵌入向量輸入到一個(gè)聯(lián)合訓(xùn)練的深度生成器時(shí)重建它們。GLO 的優(yōu)勢有：1）無模式丟失地編碼整個(gè)分布；2）學(xué)習(xí)得到的隱含空間能與圖像的形義屬性相對應(yīng)，即隱含編碼之間的歐幾里德距離對應(yīng)于形義方面的含義差異。但 GLO 有一個(gè)關(guān)鍵缺點(diǎn)，即沒有一種從嵌入空間采樣新圖像的原則性方法。盡管 GLO 的提出者建議用一個(gè)高斯分布來擬合訓(xùn)練圖像的隱編碼，但這會導(dǎo)致圖像合成質(zhì)量不高。

IMLE 則由 Li and Malik 提出，其訓(xùn)練生成模型的方式是：從一個(gè)任意分布采樣大量隱含編碼，使用一個(gè)訓(xùn)練后的生成器將每個(gè)編碼映射到圖像域中并確保對于每張訓(xùn)練圖像都存在一張相近的生成圖像。IMLE 的采樣很簡單，而且沒有模式丟失問題。類似于其它最近鄰方法，具體所用的指標(biāo)對 IMLE 影響很大，尤其是當(dāng)訓(xùn)練集大小有限時(shí)?；叵胍幌?，盡管經(jīng)典的 Cover-Hart 結(jié)果告訴我們最近鄰分類器的誤差率漸進(jìn)地處于貝葉斯風(fēng)險(xiǎn)的二分之一范圍內(nèi)，但當(dāng)我們使用有限大小的示例樣本集時(shí)，選擇更好的指標(biāo)能讓分類器的表現(xiàn)更好。當(dāng)使用 L2 損失直接在圖像像素上訓(xùn)練時(shí)，IMLE 合成的圖像是模糊不清的。

?

在本研究中，我們提出了一種名為「生成式隱含最近鄰（GLANN：Generative Latent Nearest Neighbors）」的新技術(shù)，能夠訓(xùn)練出與 GAN 質(zhì)量相當(dāng)或更優(yōu)的生成模型。我們的方法首次使用了 GLO 來嵌入訓(xùn)練圖像，從而克服了 IMLE 的指標(biāo)問題。由 GLO 為隱含空間引入的迷人的線性特性能讓歐幾里德度量在隱含空間 Z 中具有形義含義。我們訓(xùn)練了一個(gè)基于 IMLE 的模型來實(shí)現(xiàn)任意噪聲分布 E 和 GLO 隱含空間 Z 之間的映射。然后，GLO 生成器可以將生成得到的隱含編碼映射到像素空間，由此生成圖像。我們的 GLANN 方法集中了 IMLE 和 GLO 的雙重優(yōu)勢：易采樣、能建模整個(gè)分布、訓(xùn)練穩(wěn)定且能合成銳利的圖像。圖 1 給出了我們的方法的一種方案。

圖 1：我們的架構(gòu)的示意圖：采樣一個(gè)隨機(jī)噪聲向量 e 并將其映射到隱含空間，得到隱含編碼 z = T(e)。該隱含編碼再由生成器投射到像素空間，得到圖像 I = G(z)

?

我們使用已確立的指標(biāo)評估了我們的方法，發(fā)現(xiàn)其顯著優(yōu)于其它的非對抗式方法，同時(shí)其表現(xiàn)也比當(dāng)前的基于 GAN 的模型更優(yōu)或表現(xiàn)相當(dāng)。GLANN 也在高分辨率圖像生成和 3D 生成上得到了出色的結(jié)果。最后，我們表明 GLANN 訓(xùn)練的模型是最早的能真正執(zhí)行非對抗式無監(jiān)督圖像轉(zhuǎn)換的模型。

?

論文：使用生成式隱含最近鄰的非對抗式圖像合成

論文鏈接：https://arxiv.org/pdf/1812.08985v1.pdf

生成對抗網(wǎng)絡(luò)（GAN）近來已經(jīng)主導(dǎo)了無條件圖像生成領(lǐng)域。GAN 方法會訓(xùn)練一個(gè)生成器和一個(gè)判別器，其中生成器根據(jù)隨機(jī)噪聲向量對圖像進(jìn)行回歸操作，判別器則會試圖分辨生成的圖像和訓(xùn)練集中的真實(shí)圖像。GAN 已經(jīng)在生成看似真實(shí)的圖像上取得了出色的表現(xiàn)。GAN 盡管很成功，但也有一些關(guān)鍵性缺陷：訓(xùn)練不穩(wěn)定和模式丟失。GAN 的缺陷正促使研究者研究替代方法，其中包括變分自編碼器（VAE）、隱含嵌入學(xué)習(xí)方法（比如 GLO）和基于最近鄰的隱式較大似然估計(jì)（IMLE）。不幸的是，目前 GAN 仍然在圖像生成方面顯著優(yōu)于這些替代方法。在本研究中，我們提出了一種名為「生成式隱含最近鄰（GLANN）」的全新方法，可不使用對抗訓(xùn)練來訓(xùn)練生成模型。GLANN 結(jié)合了 IMLE 和 GLO 兩者之長，克服了兩種方法各自的主要缺點(diǎn)。結(jié)果就是 GLANN 能生成比 IMLE 和 GLO 遠(yuǎn)遠(yuǎn)更好的圖像。我們的方法沒有困擾 GAN 訓(xùn)練的模式崩潰問題，而且要穩(wěn)定得多。定性結(jié)果表明 GLANN 在常用數(shù)據(jù)集上優(yōu)于 800 個(gè) GAN 和 VAE 構(gòu)成的基線水平。研究還表明我們的模型可以有效地用于訓(xùn)練真正的非對抗式無監(jiān)督圖像轉(zhuǎn)換。

方法

我們提出的 GLANN（生成式隱含最近鄰）方法克服了 GLO 和 IMLE 兩者的缺點(diǎn)。GLANN 由兩個(gè)階段構(gòu)成：1）使用 GLO 將高維的圖像空間嵌入到一個(gè)「行為良好的」隱含空間；2）使用 IMLE 在一個(gè)任意分布（通常是一個(gè)多維正態(tài)分布）和該低維隱含空間之間執(zhí)行映射。

?

實(shí)驗(yàn)

為了評估我們提出的方法的表現(xiàn)，我們執(zhí)行了定量和定性實(shí)驗(yàn)來比較我們的方法與已確立的基線水平。

表 1：生成質(zhì)量（FID/ Frechet Inception Distance）

?

圖 2：在 4 個(gè)數(shù)據(jù)集上根據(jù)衡量的精度-召回率情況。這些圖表來自 [31]。我們用星標(biāo)在相關(guān)圖表上標(biāo)出了我們的模型在每個(gè)數(shù)據(jù)集上的結(jié)果。

?

圖 3：IMLE [24]、GLO [5]、GAN [25] 與我們的方法的合成結(jié)果比較。第一排：MNIST。第二排：Fashion。第三排：CIFAR10。最后一排：CelebA64。IMLE 下面空缺的部分在 [24] 中沒有給出。GAN 的結(jié)果來自 [25]，對應(yīng)于根據(jù)精度-召回率指標(biāo)評估的 800 個(gè)生成模型中較好的一個(gè)。

?

圖 4：在 CelebA-HQ 上以 256×256 的分辨率得到的插值實(shí)驗(yàn)結(jié)果。最左邊和最右邊的圖像是根據(jù)隨機(jī)噪聲隨機(jī)采樣得到的。中間的插值圖像很平滑而且視覺質(zhì)量很高。

?

圖 5：在 CelebA-HQ 上以 1024×1024 的分辨率得到的插值實(shí)驗(yàn)結(jié)果

?

圖 6：GLANN 生成的 3D 椅子圖像示例

討論

損失函數(shù)：在這項(xiàng)研究中，我們用一種感知損失（perceptual loss）代替了標(biāo)準(zhǔn)的對抗損失函數(shù)。在實(shí)踐中我們使用了 ImageNet 訓(xùn)練后的 VGG 特征。Zhang et al. [40] 宣稱自監(jiān)督的感知損失的效果并不比 ImageNet 訓(xùn)練的特征差。因此，我們的方法很可能與自監(jiān)督感知損失有相似的表現(xiàn)。

?

更高的分辨率：分辨率從 64×64 到 256×256 或 1024×1024 的增長是通過對損失函數(shù)進(jìn)行簡單修改而實(shí)現(xiàn)的：感知損失是在原始圖像以及該圖像的一個(gè)雙線性下采樣版本上同時(shí)計(jì)算的。提升到更高的分辨率只簡單地需要更多下采樣層級。研究更復(fù)雜精細(xì)的感知損失也許還能進(jìn)一步提升合成質(zhì)量。

?

其它模態(tài)：我們這項(xiàng)研究關(guān)注的重點(diǎn)是圖像合成。我們相信我們的方法也可以擴(kuò)展到很多其它模態(tài)，尤其是 3D 和視頻。我們的方法流程簡單，對超參數(shù)穩(wěn)健，這些優(yōu)點(diǎn)使其可比 GAN 遠(yuǎn)遠(yuǎn)更簡單地應(yīng)用于其它模態(tài)。我們在 4.4 節(jié)給出了一些說明這一點(diǎn)的證據(jù)。未來的一大研究任務(wù)尋找可用于 2D 圖像之外的其它域的感知損失函數(shù)。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識

QQ群：81035754