生成对抗网络（Generative Adversarial Nets，GAN)

目录

基本概念介绍：

理论介绍与WGAN：

JS divergence 的问题：

生成器效能评估与条件式生成：

Cycle GAN：

一、核心思想

1. 无配对数据转换

2. 循环一致性（Cycle Consistency）

二、网络结构

1. 双生成器 + 双判别器

2. 损失函数

3. 可选扩展：身份损失（Identity Loss）

三、训练技巧与改进

四、应用场景

五、局限性

---

基本概念介绍：

之前的network只是一个函数，给一个输入，他给出一个输出。

现在的这个输入有一个随机的东西拼接，导致了同样的输入有多种可能的输出。

generator AND discriminator（发生器和鉴别器）

第一步：发生器生成一些图片，鉴别器用来鉴别这些图片的相似处。二者是对抗的关系。

第二步：

调节generator，使得discriminator的分数输出的越大越好。

第三步：反复执行

理论介绍与WGAN：

找一组generator的参数，使得G*最小。

一大堆的real data个generate data同时去train，训练的目标是找到一个discriminator的参数，看到real data就给高分，看到generate data就给低分。

JS divergence 的问题：

只要是Pg和Pdata不是很匹配，那么输出的值就一直是log2，但是实际上JS2是好于JS1的，但是我们的返回值是相同的，所以原来的系统就不知道哪个更好哪个更坏。

利用WGAN可以看出来哪个是更好的，哪个时更坏了。

生成器效能评估与条件式生成：

generator的好坏在很久之前都是通过人眼来判断的。

• Inception Score (IS)

  • 原理：利用预训练的Inception-v3模型（在ImageNet上训练），假设高质量生成样本的类别预测应具有高置信度且多样性。

  • 公式：IS=exp⁡(Ex[KL(p(y∣x)∥p(y))])

    • p(y∣x)：生成样本的类别概率分布。

    • p(y)：所有生成样本的类别边缘分布。

  • 局限：依赖分类模型，对非自然图像（如抽象艺术）不敏感；无法检测模式崩溃。

• Fréchet Inception Distance (FID)

  • 原理：计算真实数据与生成数据的特征分布之间的Fréchet距离（基于Inception-v3的特征空间）。

  • 公式：

    FID=∥μr−μg∥2+Tr(Σr+Σg−2(ΣrΣg)1/2)

    • μr,μg​：真实和生成数据的特征均值。

    • Σr,Σg：协方差矩阵。

  • 优点：对模式崩溃敏感，数值越低表示生成质量越高。

• Precision & Recall

  • 定义：

    • Precision：生成样本中有多少与真实数据分布相似。

    • Recall：真实数据中有多少能被生成样本覆盖。

  • 实现：通过聚类或密度估计方法（如KNN）量化生成样本与真实数据的覆盖度。

Cycle GAN：

一、核心思想

1. 无配对数据转换

• 传统条件GAN的局限：
  条件式生成（如Pix2Pix）需输入-输出的成对数据（如街景图↔语义分割图），但许多场景难以获取配对数据（如梵高画作↔真实风景照片）。

• CycleGAN的突破：
  仅需两个域的非配对数据集（如“马”的图片集合和“斑马”的图片集合），即可学习域间的映射关系。

2. 循环一致性（Cycle Consistency）

通过强制双向转换的循环重构，确保转换后的图像保留原始内容：

• 正向循环：X→GX→YY→GY→XX′≈XXGX→Y​​YGY→X​​X′≈X

• 反向循环：Y→GY→XX→GX→YY′≈YYGY→X​​XGX→Y​​Y′≈Y

• 目标：重构后的图像 X′X′ 和 Y′Y′ 应与原始图像 XX、YY 尽可能接近。

---

二、网络结构

1. 双生成器 + 双判别器

• 生成器：

  • GX→YGX→Y​: 将域 XX 的图像转换为域 YY。

  • GY→XGY→X​: 将域 YY 的图像转换为域 XX。

  • 结构：通常采用U-Net或ResNet，保留空间信息（如物体形状）。

• 判别器：

  • DXDX​: 判断图像是否属于域 XX。

  • DYDY​: 判断图像是否属于域 YY。

  • 结构：PatchGAN（局部感受野，提升细节真实性）。

2. 损失函数

• 对抗损失（Adversarial Loss）：
  确保生成图像与目标域分布一致（类似标准GAN）。

  Ladv(GX→Y,DY)=Ey∼Y[log⁡DY(y)]+Ex∼X[log⁡(1−DY(GX→Y(x)))]Ladv​(GX→Y​,DY​)=Ey∼Y​[logDY​(y)]+Ex∼X​[log(1−DY​(GX→Y​(x)))]

  （同理定义 Ladv(GY→X,DX)Ladv​(GY→X​,DX​)）

• 循环一致性损失（Cycle-Consistency Loss）：
  强制双向转换可逆，通常使用L1损失：

  Lcycle=Ex∼X[∥GY→X(GX→Y(x))−x∥1]+Ey∼Y[∥GX→Y(GY→X(y))−y∥1]Lcycle​=Ex∼X​[∥GY→X​(GX→Y​(x))−x∥1​]+Ey∼Y​[∥GX→Y​(GY→X​(y))−y∥1​]

• 总损失：

  Ltotal=Ladv+λLcycleLtotal​=Ladv​+λLcycle​

  （λλ 通常设为10，平衡对抗损失与重构损失）

3. 可选扩展：身份损失（Identity Loss）

强制生成器对目标域图像保持恒等映射（如输入斑马图像到 GX→YGX→Y​，输出仍为斑马），增强颜色一致性：

Lidentity=Ey∼Y[∥GX→Y(y)−y∥1]+Ex∼X[∥GY→X(x)−x∥1]Lidentity​=Ey∼Y​[∥GX→Y​(y)−y∥1​]+Ex∼X​[∥GY→X​(x)−x∥1​]

---

三、训练技巧与改进

1. 历史缓冲区（History Buffer）

   • 存储生成器的历史生成样本，用于判别器训练，缓解模式崩溃。

2. 权重初始化

   • 使用He初始化或Xavier初始化，避免梯度消失。

3. 学习率调整

   • 前100轮固定学习率，后续线性衰减至0。

4. 改进变体

   • DualGAN：类似结构，但使用Wasserstein距离优化。

   • UNIT：结合VAE与CycleGAN，隐空间对齐提升转换效果。

   • MUNIT：支持多模态输出（同一输入生成多种风格）。

---

四、应用场景

1. 风格迁移

   • 照片→艺术画风（如莫奈、梵高）、季节变换（夏→冬）。

2. 医学图像处理

   • MRI→CT图像合成、病理切片染色风格迁移。

3. 图像增强

   • 低分辨率→高分辨率、去雾、老照片修复。

4. 跨域翻译

   • 卫星图→地图、素描→彩色图像、文本→场景生成。

---

五、局限性

1. 内容保留与细节丢失

   • 复杂场景转换可能导致物体形变（如人脸→猫脸时五官错位）。

   • 改进：结合注意力机制（如Attention-GAN）。

2. 多模态生成能力有限

   • 默认CycleGAN生成单一风格结果，MUNIT等变体支持多样性。

3. 依赖数据分布

   • 若两域数据分布差异过大（如猫→汽车），转换可能失败。