本文转自公众号 译智社

计算机视觉（Computer Vision, CV）领域近年来发生了巨大的变化。在 2012 年之前，CV 的主要研究方法是使用人工设计（hand-designed）的特征完成各种任务（见下图）。 

2012 年使用深度神经网络（Deep Neural Network, DNN）在 ImageNet 的分类任务上取得了巨大成功（见下图）。 

从此深度学习（Deep Learning）的相关研究如火如荼地展开了，比如说下面这三个栗子：  

1、物体识别（Object detection）  [Redmon etal., 2018] 

2、对人体的理解（Human understanding） [Guler et al., 2018]  

3、自动驾驶（Autonomous driving）  [Zhao et al., 2017] 

图形学中的尝试：趁手的武器 or 白费功夫？ 

在传统的图形学管线（pipeline）中，输出图像需要经过建模、材质贴图、光照、渲染等一系列繁琐的步骤（见下图）。 

现在大家看到了 Deep Learning 的潜力，那我们自然的就有个想法：有没有可能使用 Deep Learning 简化计算机图形学（Computer Graphics）的研究呢？ 

一个直接的想法是把 DNN 「倒过来用」。之前的 DNN 可能是输入一幅图像，输出一个标签（比如说猫），那我们能不能输入「猫」这个字，输出一张猫的照片呢？ 

很遗憾，答案是 No！因为这种任务实在太复杂啦！我们很难让 DNN 凭空输出图像这样的高维数据（High dimensional data）（这里的「高维」可以理解成数据量大）。实际上，在很长一段时间里，DNN 只能输出数字这种简单的、低分别率的小图像，就像下面这样： 

而想要生成想游戏场景这类的图片，这种方法根本没用。所以，我们必须得想出更厉害滴东西完成这项任务（使命感爆棚）！ 

GAN 就完了？幼稚！ 

于是…在月黑风高的某一天（画风逐渐跑偏），一个叫做生成对抗网络 (Generative Adversarial Network)，也就是大名鼎鼎的 GAN —— 的东西横空出世。作者是下面这位小哥和他的小伙伴们： 

那么，我们该怎么 GAN 出图像呢？且听我细细道来~ 

一般来说，GAN 中包含两种类型的网络 G 和 D。其中，G 为 Generator，它的作用是生成图片，也就是说，在输入一个随机编码（random code）之后，它将输出一幅由神经网络自动生成的、假的图片 G(z)。 

另外一个网络 D 为 Discriminator 是用来判断的，它接受 G 输出的图像作为输入，然后判断这幅图像的真假，真的输出 1，假的输出 0。 

在两个网络互相博弈（金坷垃日本人：不邀哒架）的过程中，两个网络的能力都越来越高：G 生成的图片越来越像真的图片，D 也越来越会判断图片的真假。到了这一步，我们就能「卸磨杀驴」—— 丢掉 D 不要了，把 G 拿来用作图片生成器。 

正式一点儿讲（上公式啦），我们就是要在最大化 D 的能力的前提下，最小化 D 对 G 的判断能力，这是一个最小最大值问题，它的学习目标是：

为了增强 D 的能力，我们分别考虑输入真的图像和假的图像的情况。上式中第一项的 D(G(z)) 处理的是假图像 G(z)，这时候评分 D(G(z)) 需要尽力降低；第二项处理的是真图像 x，这时候的评分要高。 

GAN的局限性 

即便如此，传统的 GAN 也不是万能的，它有下面两个不足： 

1. 没有用户控制（user control）能力 

在传统的 GAN 里，输入一个随机噪声，就会输出一幅随机图像。 

但用户是有想法滴，我们想输出的图像是我们想要的那种图像，和我们的输入是对应的、有关联的。比如输入一只喵的草图，输出同一形态的喵的真实图片（这里对形态的要求就是一种用户控制）。 

2. 低分辨率（Low resolution）和低质量（Low quality）问题 

尽管生成的图片看起来很不错，但如果你放大看，就会发现细节相当模糊。 

怎样改善？ 

前面说过传统的 GAN 的种种局限，那么现在，我们相应的目标就是： 

1、提高 GAN 的用户控制能力 

2、提高 GAN 生成图片的分辨率和质量 

为了达到这样的目标，和把大象装到冰箱里一样，总共分三步： 

1、pix2pix：有条件地使用用户输入，它使用成对的数据（paired data）进行训练。 

2、CycleGAN：使用不成对的数据（unpaired data）的就能训练。 

3、pix2pixHD：生成高分辨率、高质量的图像。 

下面分别进行详细叙述~ 

pix2pix 

pix2pix 对传统的 GAN 做了个小改动，它不再输入随机噪声，而是输入用户给的图片： 

但这也就产生了新的问题：我们怎样建立输入和输出的对应关系。此时的 G 输出如果是下面这样，D 会判断是真图： 

但如果 G 的输出是下面这样的，D 拿来一看，也会认为是真的图片 QAQ…也就是说，这样做并不能训练出输入和输出对应的网络 G，因为是否对应根本不影响 D 的判断。 

为了体现这种对应关系，解决方案也很简单，你可以也已经想到了：我们把 G 的输入和输出一起作为 D 的输入不就好了？于是现在的优化目标变成了这样： 

这项研究还是挺成功的，大家可以去在线体验一下 demo，把草图（sketch）变成图片： 

链接地址：https://affinelayer.com/pixsrv/ 

当然，有些比较皮的用户输入了奇形怪状的草图，然后画风就变成了这样： 

pix2pix 的应用 

pix2pix 的核心是有了对应关系，这种网络的应用范围还是比较广泛的，比如： 

1. 草图变图片 [Isola, Zhu, Zhou, Efros, 2016]： 

2. 灰度图变彩色图 [Isola, Zhu, Zhou, Efros, 2016]： 

3. 自动着色 Data from [Russakovsky et al. 2015]： 

4. 交互式着色 [Zhang*, Zhu*, Isola, Geng, Lin, Yu, Efros, 2017]： 

CycleGAN 

pix2pix 必须使用成对的数据进行训练：

但很多情况下成对数据是很难获取到的，比如说，我们想把马变成斑马，现实生活中是不存在对应的真实照片的： 

现在我们就用 Cycle-constraint Adversarial Network 也就是 CycleGAN 解决这个问题。这种网络不需要成对的数据，只需要输入数据的一个集合（比如一堆马的照片）和输出数据的一个集合（比如一堆斑马的照片）就可以了。 

但是（没错我又要说但是了），直接使用不成对的数据是不奏效的。网络会直接忽略输入，随机产生输出！所以，我们还得对网络增加限制（constraint）才行。 

那怎么加限制呢？我们来思考一个现实问题。马克吐温认为，如果一把一段话从英文翻译成法文，再从法文翻译回英文，那么你应该得到跟之前原始输入的英文一样的内容。这里也是一样，如果我们把马变成斑马，然后再变回马，那么最后的马和开始输入的马应该是一样的。 

下面讲一下具体技术细节。除了之前提到的把马变成斑马的网络 G，我们还需要一个把斑马变回马的网络 F。 

那么，一匹马 x 用 G 变成斑马 s = G(x)，然后再用 F 把它变回马 F(s)，得到的马和一开始的马应该是一样的，也就是 x = F(G(x))。 

反过来，斑马变马再变回斑马也要满足要求，注意这一步不能省（请读者自己想一想为什么）！ 

我们同时优化 G 和 F，最后就能拿到一个想要的网络。 

CycleGAN 为什么有效 

CycleGAN 成功的原因在于它分离了风格（Style）和内容（content）。人工设计这种分离的算法是很难的，但有了神经网络，我们很容易让它学习者去自动保持内容而改变风格。 

下面是效果展示环节~ 

马变斑马 

两张图片分别是原来的马和 G，duang 的一下变出的斑马： 

橘子变苹果： 

可以看到，CycleGAN 能够比较准确的找到橘子的位置，并把它变成苹果。 

图像风格的迁移： 

游戏场景替换 

这个应用就很酷了，它以一些德国城市的照片作为输入，成功替换了游戏 GTA5 中的场景！ 

失败例子 

在输入骑马的普京大帝照片时，输出图像里把普京也变成了斑马。 

这是因为，训练图像里并没有骑马的人，所以网络就傻掉了。 

目前暂且的解决办法是先用 Mask R-CNN 做图像分割之后再针对马进行变化，不过这个效果也不好，因为人和马在图像上有重叠的部分。这个问题需要未来解决。 

源代码 

福利来啦！这里给出 CycleGAN 和 pix2pix 的 github 项目： 

福利链接： 

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix 

这是 2017 年 github 最受欢迎的项目之一，截止到本文写作时间（2018 年 9 月），已经有 5000+ Star 了： 

pix2pix HD 

是的，我们还剩一个悬而未决的问题：分辨率和图像质量。pix2pixHD 就是用来解决这个问题的！ 

假设我们输入一张高分辨率的草图： 

使用 pix2pix，结果很差（之前说过，让网络产生高维数据输出很难）： 

pix2pixHD 采取了金字塔式的方法： 

1、先输出低分辨率的图片； 

2、将之前输出的低分辨率图片作为另一个网络的输入，然后生成分辨率更高的图片。 

这样，就把一个困难的问题拆分成了两个相对简单的问题~ 

最终的效果是，给定下面的高分辨率草图： 

pix2pixHD 可以实时（real time）产生这样的效果： 

pix2pixHD 也支持用户交互，比如加一辆车、添几棵树之类的： 

pix2pixHD 还有许多有趣的应用。 

比如用草图生成高分辨率人脸： 

再比如： 

1、图像增强（Image Enhancement） 

2、图像去雾（Image Dehazing） 

3、非监督动作重定向（Neural Kinematic Networks for Unsupervised Motion Retargetting） 

其他问题