深度神经网络生成模型：从 GAN VAE 到 CVAE-GAN - 知乎专栏

着重看一下画，右边的画都是根据左边的照片完全自动生成的，效果确实相当专业了：
然后是编码改变：

首发于
技术备忘录
写文章

同样是风格转移：
风格转移，从手袋生成匹配的鞋设计，从鞋设计生成匹配的手袋设计：

首发于
技术备忘录
写文章

如需转载本文，请与本人联系，谢谢。 最后，欢迎关注我的专栏： 技术备忘录 - 知乎专栏，其中有更多文章。 欢迎关注本司产品 Blink Sunshine护眼无频闪97显色指数灯泡系列，提升生活品质~
最后，CVAE-GAN 的详细架构如图：

首发于
技术备忘录
写文章

CVAE-GAN 的训练算法如图，其中的每一项都是很直观的。注意里面还用了一个重要 trick， 就是希望 x' 和 x 在 D 和 C 的网络的中间层的特征也相似。这有助于稳定网络：

首发于
技术备忘录
写文章

3. 总结
通过使用 E+G+C+D 四大网络， CVAE-GAN 实现了相当令人满意的生成模型。目前的 GAN 变种非常多，大家都是把 E G C D 到处串起来，不过一般只用到三个，很少有用到四个的。 本来我想试把四个都串起来，然后发现 CVAE-GAN 已经做了，效果也确实好。 最近还有一篇 Triple GAN /pdf/1703.0229... 类似，但它没有用 VAE 作为前端，少了 E 网络，所以效果会不如。而 CycleGAN DualGAN DiscoGAN 等等把网络串起来的方式，无 疑可以与 CVAE-GAN 结合，进一步提升效果。相信 U-NET PatchGAN 等等 trick 也可以进一 步提升效果。 最后图片展示，看看目前的生成模型的发展，尤其是风格转移：
深度神经网络生成模型：从 GAN VAE 到 CVAE-GAN
PENG Bo · 3 个月前
在几年前，深度神经网络的热门话题是分类问题：
给定一张图 x，神经网络可以告诉你其中是什么内容，或者说属于什么类别 c。
而近年来，深度神经网络的热门话题是生成模型，它想做的事情相反：
给定一个类别 c，神经网络就可以无穷无尽地自动生成真实而多变的此类别的图像 x。
CVAE-GAN 的复原 x'，与 x 接近，只是少了皱纹之类的噪音，这也说明 D 对于皱纹是不在意 的，它认为皱纹不是判断“真实性”的标准，也许没皱纹还会更“真实”：
如果我们去掉 D，马上就模糊了：

首发于
技术备忘录
写文章

如果我们去掉 C，那么 artifact 就多了：
如果我们去掉 img，那么就容易乱来了：
最重要的原因是，它不容易找到合理的判断 “x' 接近 x” 的标准，只能用 MSE 之类的粗略误 差。 而 CGAN 是这样的：
也是有个 G（其实和之前的 VAE 的 G 类似，只是由于优化的目标不同，所以生成的图像的特 点不同），目标是从 z 生成尽量真实的 x'，而且我们还再做了一个网络 D，用于判断“真实 度”。 D 的做法很暴力，就是一直认为 x 是真的，x' 是假的，并以此训练自己。而 G 的目标当然就 是尽量骗过 D，做法也很暴力，直接把 D 的输入梯度信息拿出来用于训练自己，尽量生成“最 能骗过 D 的图像”。其实就像之前大家构造能骗过神经网络 C 的图片一样，直接用输入的梯 度。 随着 G 和 D 的互相斗争，最终大家达成 Nash 均衡，生成的 x' 也就比较真实了。 为什么 GAN 生成的图像喜欢乱来？我认为，原因之一是 D 的能力不够，是因为 D 看过的样 本太单调（要么是固定的原始样本，要么都是 G 生成的），所以辨别能力容易存在盲区，而 G 是发现空子就去钻，所以就容易乱来了。 原因之二是 G 的钻空子太暴力。比如说，如果 G 学会了每次都生成一模一样的和训练集中某 个图像一模一样的图？或者一个固定的特别容易骗过 D 的图？那 D 就分辨不出来了，但生成 这样的图片当然也没有意义了。这其实就是个常见的问题，叫做模式的坍塌，就像下图：

首发于
技术备忘录
写文章

G：生成器 Generator。给定隐变量 z（如随机噪声），就可以生成像模像样的图像。如 果还给定了类别 c，那么就会生成像模像样的属于类别 c 的图像。 C：分类器 Classifier。给定一张图 x，输出所属类别 c。这是大家的老朋友。 D：辨别器 Discriminator。给定一张图 x，判断它是真实的图片，还是“电脑乱想出来 的”。这是 GAN 首先引入的网络，它可以和 G 左右互搏，互相进步。 那么，CVAE 是这样的：
2. 取长补短，E+G+C+D = CVAE-GAN
看 CVAE-GAN 的结构图：
首先，之前说过了，VAE 的 G 比 GAN 的 G 更有前途，所以前面是 VAE 的结构。 然后，由于 VAE 的判断 x' 和 x 相似的标准不够好，所以要再加入 D 来判断。 最后，我们还得真的保证生成的图像是属于 c 类别，所以还要加上 C。 所以 G 的 Loss 其实有三大部分： 对于从 x 生成的 z，G 应该更还原出接近 x 的 x' （像素上的接近）。称为 L_G(img)。 G 生成的图像应该可以由 C 鉴别为属于 c。称为 L_G(C)。 G 生成的图像应该可以由 D 鉴别为属于真实图像。称为 L_G(D)。 这三者都很重要。举例，原始图像 x：
写文章
Байду номын сангаас

3 个月前
Michael Liu
好神奇！感觉真的像能理解一样
3 个月前
吴泽
谢谢bo大，讲的很清楚
3 个月前
丁飞
这个确实太牛了啊. 感觉算法真的产生了意识.
3 个月前
头头
您好 这个网络的实现有相关的复现模型代码吗
2 个月前
推荐阅读
一场说走就走的南半球滑雪？
热爱滑雪的你在夏天做什么？当然是去南半球滑雪了！为什么去智
1. 生成模型的派别：VAE 和 GAN
在最近几年，生成模型分为 VAE 和 GAN 两条路（其实还有一条值得继续的路是 PixelCNN/RNN，另外我可能还有个不一样的路子...）。十分有趣的是，它们拥有互补的长处 和短处：
以上都加上了类别作为输入，所以称之为 CVAE 和 CGAN。直观地看： CVAE 生成的图像很中规中矩，但是模糊。 CGAN 生成的图像清晰，但是喜欢乱来。 所以刚好是互补。这其实来自于它们各自的构造。首先，在构造生成模型时，人们渐渐发现， 最常用的是下面四个网络： E：编码器 Encoder。给定一张图 x，可以将其编码为隐变量 z（且希望满足高斯分 布）。如果还给定了类别 c，那么生成的隐变量就会质量更高（更随机）。
二零一七 盛放于世界的汤浅政明
本文由小分队队员 @艾蕾 创作。最近日本《芸術新潮》这本杂志
下水道捞鱼小分队 · 20 天前 · 编辑精选 · 发表于 队长的捞鱼笔记
iPhone X 刘海打理指北
本文转自“美团点评技术团队”微信公众号，欢迎大家搜索关注。背景iPhone X 刘海机于9月13 日发布，给科技小春晚带来一波高潮。作为开发人员却多出来一份忧虑，iPhone X 怎么适
「真诚赞赏，手留余香」 赞赏
还没有人赞赏，快来当第一个赞赏的人吧！
深度学习（Deep Learning） 生成对抗网络（GAN）
人工智能
92
文章被以下专栏收录 技术备忘录
现代数学、人工智能、物理等等。
收藏 分享 举报
进入专栏
5 条评论
写下你的评论...

首发于
lzhalzx
可怕，以后伪造照片将会非常容易 技术备忘录

首发于
技术备忘录
写文章

而之前 VAE 的 G 是不会犯这种错误，因为它必须有足够的生成能力，对于训练集中每个图 片，它都需要有能力生成相似的图片。 其实，某种意义上，AlphaGo 的策略网络类似于 G（试图一步步生成“完美的神之棋局”）， AlphaGo 的价值网络类似于 D（如果胜率在走了某步之后倒向一方，就说明棋局不够完美）。
它来自于经典的自编码器 AE，其实 E 有点类似于人脑把图片变成文字描述的过程，z 就类似 于文字描述，然后 G 试图按 z 的描述还原图片。VAE 的目标是， x' 接近 x，同时 z 接近高斯 分布（这样我们可以很容易地构造大量 z，从而生成大量 x'）。 为什么 VAE 生成的图像会模糊？如图，可以真的很模糊：
美团点评技术团队 · 9 天前 · 编辑精选 · 发表于 美团点评技术博客

配？我们 App … 查看全文

的“日本动画誕生100周年記念特… 查看全文

的特定性。在… 查看全文

利？今年已经是北美的降雪大年… 查看全文
这无疑听上去更神奇，也更困难。这里介绍的 CVAE-GAN 方法，其论文是 Fine-Grained Ima ge Generation through Asymmetric Training ，它可以在各个数据集上生成目前综合效果最好 的结果：

首发于
技术备忘录
写文章

请注意，以上的图像都是神经网络根据少量参考图，凭空想象出来的全新图片。而且它可以无 穷无尽地自动生成下去，例如包括各种角度，表情，而且会在此过程中不断进步（简直正如 AlphaGo 可以无穷无尽地左右互搏）。 在人脸数据集上，效果已经好得惊人，栩栩如生。而在其它数据集上，虽然看似还有瑕疵，但 这可能已经只是因为参考图的数量不够多（正如最近的 [1707.02968] Revisiting Unreasonable Effectiveness of Data in Deep Learning Era 所述，目前的瓶颈可能已经在于数据，而非模 型。文中发现，采用3亿张训练图片作预训练后，所有模型的效果都可以得到明显提升。而且 看上去3亿张训练图片也没有“喂饱”神经网络，依旧会发现训练图片越多效果越好）。 我们将会看到，CVAE-GAN 的思想实际简单而直接。它有四大组件，对应到四个神经网络， 互为补充，互相促进（这是否又让我们想起 AlphaGo？是的，多个神经网络协同组合，确实会 有惊人的威力。而且其实还有更多的相似之处，因为它们最终都属于博弈问题）。 如需转载本文，请与本人联系，谢谢。
最终的隐变量 z 可以相当好地自动刻画图片：
编码转移，给定左边的照片，要求网络更换其中的明星，生成的是右边的图：

首发于
技术备忘录
写文章

插值效果，给定左右两张图片，可以生成“中间的渐变过程”：
自动填充缺失区域的效果（左边的原始图片都是网络从来没有见过的全新图片）：
由于网络生成的样本质量很高，还可以用于增强训练样本集，使其它模型得到更好的效果：
攻城匠师黑索 · 20 天前 · 编辑精选
商标法上不良影响的认定
江西求正沃德律师事务所黄斌18007095821公序良俗原则在司法实践中应用非常广泛，是法治 的最底线，用于对违反公共秩序与善良风俗的法律行为进行否定性评价, 经常表现为法律行为
商标律师黄斌 · 13 天前 · 编辑精选 · 发表于 知产频道