2
| 本文作者： 何之源 | 2017-03-06 16:34 |
雷鋒網按：本文作者何之源，復旦大學計算機科學碩士在讀，研究人工智能計算機視覺方向。本文由雷鋒網獨家首發(fā)。
一、一個神奇的網站
前些日子在Qiita上看到了一篇神奇的帖子：Girl Friend Factory 機械學習で彼女を創(chuàng)る Qiita。帖子里面提到利用GAN，通過文字描述來生成二次元圖像。這篇文章的作者還把他的想法搭建成了一個網站（網站地址：Girl Friend Factory），大概長下面這樣：
我之前也寫過一篇文章介紹了如何利用GAN生成簡單的二次元人物頭像，但那只是完全的隨機生成，你無法控制生成出的人物的屬性。但這篇Qiita的帖子不一樣，我們可以指定生成人物的屬性，如發(fā)色、眼睛的顏色、發(fā)型，甚至是服裝、裝飾物，從而生成具有指定屬性的圖像。
這個網站提供的屬性非常多，我簡單地把它們翻譯了一下：
我會在后面詳細地介紹它的實現(xiàn)原理，在那之前，我們先來試著玩一玩這個網站。
進入網站后，首先要等待模型加載（注意：這個網站國內可能出現(xiàn)連接不上的問題，需要自行解決。另外網站大概會下載70M左右的模型，需要耐心等待。）加載好后，點擊上方的“無限ガチャ”（無限ガチャ實際上是“無限扭蛋器”的意思），就可以進行生成了。
先生成一個金發(fā)+碧眼，多次點擊生成按鈕可以生成多個，效果還可以：
再生成黑發(fā)＋碧眼試試：
右擊圖像可以“注冊為喜歡”，實際上就是一個收藏的功能。收藏之后可以"生成一覧"中找到。
另外，收藏圖片后，點擊上方的"屬性モーフィング"還可以對屬性做微調，如這里我可以更改發(fā)色：
點擊上方的"合成"按鈕，你甚至可以把兩個人物合成同一個！如下圖所示：
二、基本原理
上面的網站的原理是什么呢？原作者也提到了，其實就源于Generative Adversarial Text to Image Synthesis這篇論文。接下來就一起看一下它是怎么做的。
我們的目標實際上是通過“文字”生成“圖像”。為此我們需要解決以下兩個問題：
如何把文字描述表示成合適的向量。
如何利用這個描述向量生成合適的圖片。
其中，第一個問題是用了之前一篇論文中的技術，這里就不細講了。假設文字描述為t，我們可以通過一個函數(shù)φ將其轉換為一個向量φ(t)。
第二個問題，如何利用向量φ(t)生成合適的圖像？這就是GAN的工作，文中GAN的結構如下圖所示：
對比原始的GAN結構，這里對生成網絡G和判別網絡D的輸入部分做了更改：
對于圖像生成網絡G，原來是接收一個無意義的噪聲z，輸出一個圖像G(z)。而這里不僅接收噪聲z，還接收文字描述向量φ(t)，用這兩部分共同生成一個圖像G(z, φ(t))。
對于判別網絡D，原來是接收圖像x, 輸出打分D(x)，現(xiàn)在不僅接收圖像x，還接收文字描述φ(t)。最后輸出打分D(x, φ(t))
這實際上就是一個條件GAN(conditional GAN)。只需要簡單地更改一下原始GAN的結構就可以完成。到了這里，就可以直接訓練了，也可以完成我們文字 >圖片的生成任務。但是直接訓練的生成圖片的質量不是很好，對此作者又提出了兩點改進。
三、改進一：GANCLS（針對判別器Ｄ的改進）
為什么直接訓練的效果不好？仔細想一下，我們會發(fā)現(xiàn)，在原始的GAN中，判別網絡D只需要做一件事情，即判斷生成的圖片是否正常。但在這里，判別網絡D需要做兩件事情，一是和原始的GAN一樣，判斷圖片是否正常，二是判斷生成的圖片是否符合文字描述。
因此，我們對原來的訓練步驟做一些改進。不僅給D提供生成的圖片和真實的圖片兩類樣本，還給D提供真實圖片 + 虛假描述的樣本，強化Ｄ的訓練效果，強迫D判斷生成的圖片是否真的符合文字描述。具體的訓練步驟如下：
我們可以看到，Ｄ的梯度由三部分構成：sr, sw, sf。sr是真實圖片＋正確文字。sw是真實圖片 + 錯誤描述。sf是G生成的圖片 + 正確描述。這樣就可以加快Ｄ的訓練進程，提高訓練效率。
四、改進二：GANINT（針對G的改進）
要理解這部分改進，首先要明白，我們只使用了sf訓練生成網絡G（見上面的圖片）。sf是什么呢？它只和G生成的圖片、正確的文字描述兩項有關系，也就是說，sf是和真實圖片樣本無關的。因此，我們可不可以用一種方法，增加正確文字描述的樣本數(shù)呢？
答案是可以，因為我們只用到了文字描述的嵌入φ(t)，在嵌入空間中我們實際是可以做一些簡單的加減運算的。
設一個文字描述是φ(t1)，另一個文字描述是φ(t2)，我們可以得到他們的一個內插值aφ(t1) +(1a)φ(t2)。其中0<a<1。這樣的內插實際上是得到了兩個文字描述的某種“中間態(tài)”，為我們增加了樣本數(shù)量。
我們知道，對于深度學習，樣本數(shù)量越多，效果就會越好，因此這里的GANINT是對效果的提升有幫助的，實驗中驗證了這一點。
作者把上面的兩種改進合在一起，就成了GANINTCLS，也是這篇文章的最終方法。
放一張論文作者實驗的圖，他是做了花的生成，最上面一行是Ground Truth，下面依次是GAN，GANCLS，GANINT，GANINTCLS：
五、參考資料
Girl Friend Factory 機械學習で彼女を創(chuàng)る Qiita
Conditional Generative Adversarial Nets
Generative Adversarial Text to Image Synthesis
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
