对抗高质量图像生成中的模式崩溃，及相关论文推荐

会员服务 ·

对抗高质量图像生成中的模式崩溃，及相关论文推荐

2019 年 9 月 8 日 AI科技评论

又一个问题已经接近宣告解决

作者：杨晓凡

随着 ICCV 2019 发榜，许多学者已经开始公开以及传播自己的 ICCV 录用论文。计算机视觉领域重磅大佬、UC 伯克利 Jitendra Malik 和南京大学合作的一篇论文引发了我们的注意。我们也一同回顾一下与它相关的几篇论文。

一.

中文标题：通过条件 IMLE 从语义布局图中生成多样的图像

作者：Ke Li（UC 伯克利）, Tianhao Zhang（南京大学）, Jitendra Malik（UC 伯克利）

论文地址： https://arxiv.org/abs/1811.12373

ICCV 2019 录用论文

论文项目页面： https://people.eecs.berkeley.edu/~ke.li/projects/imle/scene_layouts/

在对应白天-黑夜的隐含噪声向量控制下，图像内容可以在白天和黑夜之间进行连续的变化

亮点简介：对于不使用 GANs 的，也就是基于端对端网络的条件图像生成以及图像转换任务来说，大多数现有方法都只能生成一张或者有限张好的图像；甚至于，使用 GANs 的方法虽然理论上可以不受数量限制，但实际上也需要想办法克服模式崩溃（mode collapse）问题，不然生成的图像都大同小异。这篇论文就是 Jitendra Malik 等人对模式崩溃问题提出的解决方案，目标是能根据语义分割图像生成任意多张对应的真实图像，在保留同样的语义布局的同时，可以有无限多的外观变化。

他们的方法是使用了最近提出的 Implicit Maximum Likelihood Estimation (隐式最大似然估计，IMLE) 框架，在网络中用隐含向量对应图像外观的不同因素，从而通过隐含向量的变化，控制图像的外观变化；这样，对图像风格的变化有了更多控制，通过不同向量的值的组合也就能让得到的结果更多样、不重复。另外，即便使用同样的模型架构，他们的方法生成的图像也瑕疵更少。虽然学习到的隐含空间缺乏监督，但是能够学习到一些合理的结构，就能够帮助让模型发挥出很多的表现。

这篇论文的方法同时让我们想起 ICCV 2017 论文《Photographic Image Synthesis with Cascaded Refinement Networks》和 CVPR 2019 论文《A Style-Based Generator Architecture for Generative Adversarial Networks》。AI 科技评论下面也做简单介绍。

二.

中文标题： 用级联优化网络生成照片级图像

作者： 斯坦福大学博士陈启峰，英特尔实验室视觉组主管 Vladlen Koltun

论文地址： https://arxiv.org/abs/1707.09405v1

ICCV 2017 录用论文

项目地址： https://github.com/CQFIO/PhotographicImageSynthesis

亮点简介： 在这篇论文发表时，用 GANs 生成大尺寸、高精度、高真实度图像的方法尚未出现，这篇论文的成果可以说是一大突破；而且论文只用了端到端的网络就达到了这个目标。

具体来说，「从一张真实世界的图像生成语义分割布局图像」这一监督学习任务已经得到了较好的解决，那么反过来，从「从语义布局图像生成照片级图像」也就是完全有可能的，这就为生成大尺寸、高精度、高真实度图像打开了一扇窗户。当然了，真的做到这一点还是需要一些技巧的，作者们通过大量实验，总结出模型需要兼顾全局协调性、高分辨率、记忆力三个特点才能达到好的效果，并设计了对应的逐级提高分辨率的级联优化网络 CRN。另外，他们也采取了一些手段，首先让模型生成多张不同的图像，然后从多张图像中选择最真实的部分进行拼接。最终达到了非常好的效果。

三.

中文标题：一个基于风格的 GANs 图像生成架构

论文作者：NVIDIA 实验室 Tero Karras, Samuli Laine, Timo Aila

论文地址：https://arxiv.org/abs/1812.04948

CVPR 2019 最佳论文之一

项目地址：https://github.com/NVlabs/stylegan

人脸生成公开 Demo：https://thispersondoesnotexist.com/

论文亮点： 我们都知道，GANs 生成图像都是从一个随机种子开始的，然后我们就只能期盼这是一个好的随机种子，可以带来好的图像 —— 说白了我们对中间的生成过程完全没有控制。在条件图像生成的论文中人们对这个问题有一些研究，但是没有大的突破。

这篇论文提出的新架构从图像风格迁移论文中得到了启发。他们的模型架构可以自动地、无监督地学习到不同的高级别属性（比如在人脸上训练时可以学习到姿态和肤色），而且在生成的图像中有足够的随机变化。他们方法的关键在于，对控制图像中变化的隐含变量进行了解耦，这样我们就得以具体地控制不同高级别属性的取值以及它们的变化。他们提出的两种新方法也可以用在任意的生成器架构中。

这三篇论文中，第一篇、第二篇论文都有「从语义布局图生成图像」，而第一篇和第三篇论文都有「学习隐含变量空间、尝试隐含变量解耦」。这三篇论文值得放在一起读一读，仔细揣摩对比一下他们的做法。