【AI作画真假难辨】Facebook 创意生成网络 CAN,比 GAN 更有创造力

2017 年 7 月 4 日 新智元

   新智元编译  

来源:hackernoon.com

编译:文强


【新智元导读】美国罗格斯大学、Facebook AI 实验室和查尔斯顿学院的研究人员合作,在生成对抗网络(GAN)的基础上,对损失函数稍作修改,提出了创意生成网络(CAN),能够生成“具有创意”的画作。实验发现,人类参与者认为 CAN 生成的图像和人类艺术家画作在创意程度上不相上下。



近来,生成对抗网络(GAN)在生成抽象内容方面成效显著。今天我们要介绍的研究,则进一步探讨了计算机在“创造力”方面的能力。



模仿大师 GAN:生成器和鉴别器的博弈


我们知道,GAN 由两个相互博弈的神经网络组成,即生成器和鉴别器。顾名思义,生成器负责根据输入生成数据(输入可以是噪声,也可以是一些其他的数据)。鉴别器负责分析数据,并区分这些数据是真实的(来自数据集),或者是虚假的(来自生成器)。在数学上,这可以被看作是生成器和鉴别器之间的小游戏:



如果上面的公式看上去很复杂,不必担心——你不是一个人。下面,我们依次说明公式里的各个部分都代表什么。


首先,公式的左边是 MiniMax 方程。


下标 G 和 D 分别代表生成器 G(Generator)和鉴别器 D(Discriminator)。生成器的工作是将方程的值最小化,而鉴别器负责将这个值最大化。生成器 G 和鉴别器 D 会一直博弈,直到我们决定停止为止。


鉴别器 D 接收来自真实数据集的输入 x,然后输出它判定为真的结果 log(D(x))。


G(z) 表示生成器生成的数据。log(1-D(G(z)))) 计算的是鉴别器在判定数据真假方面表现得有多好。D(G(z)) 表示鉴别器认为是真实的那些数据。用 1 减去这个值则表示判别器认为不是真实的数据。


将所有综合在一起,鉴别器负责将 log(D(x) + log(1-D(G(z)))) 的值最大化,而生成器则负责使 D(G(z))) 的值最大化,从而使上述值最小化。


生成器会不断修正自己,让鉴别器判定其生成的值是真实的,而鉴别器也会不断修正自己,让自己能判别出虚假的数据。


因此,生成器 G 要做的,就是让自己的输出与真实数据尽可能地相似。


而要让计算机“有创意”,就必须让生成器生成崭新的数据,光是让生成器去模仿是不够的。


修改 GAN 的损失函数,让创意对抗网络 CAN “有创意”


论文作者在生成对抗网络的基础上,提出了一种新的架构,能够生成“有创意”的内容。他们实现的方法,是在生成器上面增加了一个信号,避免让生成器生成与现有数据过于类似的内容。


具体说,论文作者修改了 GAN 的损失函数。


下面,我们来详细看看 CAN。


在原始的 GAN 架构中,生成器会根据生成内容是否“骗过”了鉴别器来修改权重。GAN 的架构是不会探索新的内容的,GAN 做的只是模仿,其目标就是生成与真实数据集毫无二致的数据。


而 CAN 在两个方面作了修改:


  1. 鉴别器不仅仅会判定数据的真假,还会根据图像属于哪个时间段(time period)进行分类

  2. 然后,生成器会接收这一额外的信息,将那个指标和鉴别器的真假判断一起做衡量


这样做的结果是什么呢?


有了时间段(以及置信度)这个额外的指标后,生成器就知道它生成的内容与一个时间段的内容的相似度有多高了。


于是,生成器就能不仅让其生成的内容与真实数据相似,同时还能与某一时间段的内容不那么相似。



上图展示了创意对抗网络 CAN 的架构。可以发现,主要的修改发生在损失函数部分。新的损失函数如下:



那么,我们再来看看这个新的损失函数。


上面一行与 GAN 的损失函数类似。注意,下标 r 表示鉴别器对真实/虚假的输出,下表 c 表示鉴别器对时间段分类的输出。


第二行则是为了让系统输出有创意的重头戏。



看上去有些复杂,实际上就是多标签交叉熵损失(Multi Label Cross Entropy Loss)。注意,这里的 K 表示分类的数目。这个损失跟常见分类器用的损失是一样的。生成器会将这部分值最小化,从而将新损失函数的值最大化。


人类参与实验者的评估结果:CAN 生成了艺术作品


下面展示的就是 CAN 生成的图像。



如何?


下面是艺术展 Art Basel 2017 展出的 21 位人类画家的作品(实验中选择了 25 位,这里露出 21 位):



为了验证 CAN 生成的图像是否“有创意”,论文作者特意做了几组实验。他们请 Amazon MTurk 上的人类参与者观看 GAN、DC-GAN、CAN 生成的图像和人类画家的作品,然后评估图像的创新程度、复杂程度、让人意外的程度,以及是人类画家创作的,还是计算机生成的等问题。 


结果如下表所示。



从第二栏 Novelty 得分可以发现,参与实验的人类志愿者认为,CAN 生成的图像较之艺术家作品(下面两行)在创意上相差不大,甚至超过了抽象派艺术家。


参与实验的人还认为,CAN 比 GAN 更加“创新”——评判是由人创作的还是计算机生成的提问 Q6,结果是 75% vs. 65%。


至于是 CAN 更有创意,还是人类画家更有创意,论文作者并没有给出确切的回答。要了解更多,在看完摘要后,可以下载他们的论文,对实验以及思路有详细的介绍。


创意生成网络 CAN:学习风格并从学会的风格偏离,生成“艺术”


摘要


我们提出了一个新的艺术创作系统。这个系统能够通过观看图像学习风格进行艺术创作。不仅如此,这个系统还能偏离已经学会的风格,增强生成图像的唤醒能力(arousal potential),从而变得具有创造力。我们建立了生成对抗网络(GAN),GAN 在接收给定分布的输入后,能够学习生成全新的图像。我们认为,GAN 结构原本生成有创意的产品的能力有限。我们通过修改网络的目标,使其最大限度地偏离已经确立的风格,同时最小限度地偏离艺术分布,从而创造有创意的图像。我们进行了实验,比较了人类参与者观看系统生成的图像和艺术家创作的画作的反应。结果表明,人类参与者无法分辨系统生成的图像和当代艺术家在顶级艺术博览会中展示的画作。


论文地址:https://arxiv.org/pdf/1706.07068.pdf

论文已在 6 月亚特兰大举行的第 8 届国际计算机创意大会(ICCC)发表



点击“阅读原文”查看新智元招聘信息


登录查看更多
3

相关内容

【CVPR2020】MSG-GAN:用于稳定图像合成的多尺度梯度GAN
专知会员服务
27+阅读 · 2020年4月6日
GANs最新综述论文: 生成式对抗网络及其变种如何有用
专知会员服务
70+阅读 · 2019年10月19日
GAN零基础入门:从伪造视频到生成假脸
新智元
13+阅读 · 2019年6月18日
能生成逼真图像的不只有 GAN
机器学习算法与Python学习
8+阅读 · 2019年6月6日
万字综述之生成对抗网络(GAN)
PaperWeekly
43+阅读 · 2019年3月19日
GAN的数学原理
算法与数学之美
14+阅读 · 2017年9月2日
【原理】GAN的数学原理
GAN生成式对抗网络
8+阅读 · 2017年8月30日
干货|生成对抗网络(GAN)之MNIST数据生成
全球人工智能
7+阅读 · 2017年7月24日
Arxiv
3+阅读 · 2019年10月31日
Arxiv
8+阅读 · 2019年2月15日
Arxiv
4+阅读 · 2018年5月21日
Arxiv
5+阅读 · 2018年5月1日
Arxiv
4+阅读 · 2018年4月17日
VIP会员
相关VIP内容
【CVPR2020】MSG-GAN:用于稳定图像合成的多尺度梯度GAN
专知会员服务
27+阅读 · 2020年4月6日
GANs最新综述论文: 生成式对抗网络及其变种如何有用
专知会员服务
70+阅读 · 2019年10月19日
相关资讯
GAN零基础入门:从伪造视频到生成假脸
新智元
13+阅读 · 2019年6月18日
能生成逼真图像的不只有 GAN
机器学习算法与Python学习
8+阅读 · 2019年6月6日
万字综述之生成对抗网络(GAN)
PaperWeekly
43+阅读 · 2019年3月19日
GAN的数学原理
算法与数学之美
14+阅读 · 2017年9月2日
【原理】GAN的数学原理
GAN生成式对抗网络
8+阅读 · 2017年8月30日
干货|生成对抗网络(GAN)之MNIST数据生成
全球人工智能
7+阅读 · 2017年7月24日
Top
微信扫码咨询专知VIP会员