拆解组新的GAN：解耦表征MixNMatch---机器学习与生成对抗网络

0、前言这是一篇 CVPR 2020 论文简记MixNMatch: Multifactor Disentanglement and Encoding for Conditional Image Generationhttps://github.com/Yuheng-Li/MixNMatch1、概要提出MixNMatch，一个可以在极小监督情况下完成对图像中的背景、物体姿势、形状和纹理等进行分开（解耦）的条件生成模型，分解后可以通过混合它们以生成新的图像。如下图所示，通过对1到4行真实图像进行解耦学习，得到对应的形状、姿势、纹理、背景等，重新组合可生成第5行的图像。方法是基于2019年的FineGAN（一个无条件的生成模型）框架进行改进，以适用于条件式的图像转换任务。所用的监督信息仅仅是bounding box，而无需其他监督信息。2、相关工作条件图像生成。大量的图像转换框架pix2pix等等不赘述。它们大都缺乏一种显示地对图像“变化成分/因子”的分解学习能力。能否将这些因子比如物体形状、纹理、背景等进行单独学习，对于模型解释性也有重要意义；解耦表征学习。尽管也有一些现有工作尝试进行解耦学习，但他们大多局限于两种因子的分拆例如形状和纹理；亦或是受限于需要大量的监督信息，比如边缘、关键点、mask标注等人工标签。本文方法是基于FineGAN（FineGAN: Unsupervised Hierarchical Disentanglement for Fine-Grained Object Generation and Discovery）展开,它利用信息论（互信息相关）进行背景、物体姿势、形状和纹理的解耦学习，而且是在较弱的监督信息下；但是FineGAN是一种无条件式生成模型，无法进行图像转换;故本文对此做了改进。3、方法3.1 任务

用

mathcal{I}=left{x_{1}, ldots, x_{N}right}

表示某类的无标签的图像集合（例如鸟类图像），任务是学习一个条件式生成模型，可以同时将背景、物体姿势、形状和纹理等因子编码到一个解纠缠的潜码空间（每个因子单独受一个潜码控制），并且通过结合这些因子可以组合生成逼真的新图像。

3.2 基本框架FineGAN（2019）下图来自FineGAN论文FineGAN将四个随机采样的潜码（z，b，c，p）

作为输入，以三个阶段分层次生成图像：（1）背景阶段，其中仅建模学习如何生成背景，以一个one-hot的潜码b为条件；（2）父阶段，在该阶段中，模型以潜码p和连续的z为条件，生成对象的形状和姿势，并将其融合进背景图像上；（3）子阶段，以one-hot的潜码c为条件，对上一生成图像进行纹理填充。

在父阶段和子阶段中，FineGAN都会自动生成mask（无需任何监督mask）以捕获适当的形状和纹理细节。为了解开背景因子，该方法依赖于对象边界框（例如，通过对象检测器获取）。为了在没有其它监督的情况下解耦剩余的因子，FineGAN使用信息论方法（参考inforGAN），对潜码之间的关系施加了约束。在训练期间，FineGAN（1）将采样的子阶段潜码约束为不相交的group，以便每个group共享相同的唯一父阶段潜码，（2）将每个生成的图像的采样背景和子潜码强制为相同的。上述约束中，第一个约束是基于这样的事实考虑，即来自同一类别的某些对象实例即使具有不同的纹理，也往往具有相同的形状（例如具有不同纹理细节的不同鸭子共享相同的鸭子形状）；第二个约束是背景通常与特定的对象类型相关（例如，鸭子通常以水为背景）。如果不遵循这些约束，那么生成器可能会生成在树上的鸭子（背景潜码b不等于纹理码c）。然后，鉴别器将很容易将这些图像分类为假图像，因为它们很少存在于真实图像中。这极可能导致无法学习到所需的解缠。FineGAN进行了三项损失（对应背景、父阶段和子阶段）的训练，使用对抗训练使生成的图像看起来真实，最大化相应的潜码和图像之间的互信息，以便每种潜码都可以控制各自的因子（背景，姿势，形状，颜色），具体参照FineGAN：mathcal{L}_{text {finegan}}=mathcal{L}_{b}+mathcal{L}_{p}+mathcal{L}_{c} 3.3 调整FineGAN3.3.1 成对的“图像-潜码”分布匹配尽管FineGAN可以分解多个因子并重新生成逼真的图像，但它是无条件式生成的：基于采样的潜码，而不是图像。而要对真实图像中解纠缠的表示进行编码以生成条件混合图像，首先需要提取条件输入图像的z（控制姿势），b（控制背景），p（控制形状）和c（控制纹理）等编码，同时保留FineGAN的分层解缠属性。为此，训练四个编码器，每个编码器从真实图像中预测z，b，p，c。但不能简单地将这些编码（z，b，p，c）输入到生成器中以重建图像，这极可能退化为简单的自编码器，而无法保留FineGAN的解缠属性。关键之处在于，引入类似ALi或者BiGAN那种进行对抗学习（逆映射image->z），这样一来所得到的编码，并得到“图像-潜码”对left(x sim P_{text {data}}, hat{y} sim E(x)right)

；而生成器得到

left(hat{x} sim G(y), y sim P_{text {code}}right)

。注：这里的y是z，b，p，c等的placeholder。

所以判别器的输入是“图像-潜码”对：begin{aligned} mathcal{L}_{b i_{-a d v}} &=min _{G, E} max _{D} mathbb{E}_{x sim P_{text {data}}} mathbb{E}_{hat{y} sim E(x)}[log D(x, hat{y})] \ &+mathbb{E}_{y sim P_{text {code}}} mathbb{E}_{hat{x} sim G(y)}[log (1-D(hat{x}, y))] end{aligned}3.3.2 放宽潜码约束所要解决的重要问题是，确保得到的编码是解开的。FineGAN施加了严格的潜码约束（见上述3.2），比如强加了子码要共享相同的唯一父码，而背景码和子码要始终相同。然而，对于一些真实图像，这些严格的关系可能不成立（例如，飞鸟在真实图像中可具有多个不同的背景）;另外，这可能导致鉴别器很容易分辨出【图像-潜码】对是真实的还是生成的（基于码的关系）。而且，由于背景和子码总被采样为相同的（b = c），这也会混淆背景b和纹理c编码器：可能将变得完全相同，而无法区分背景和物体的纹理。为此本文首先训练四个单独的鉴别器，对应每种码类型。这防止了鉴别器看到其他码；其次，在训练编码器时，还提供了fake图像作为输入，它们是用随机采样的潜码生成的，且去除了码约束。在这些图像中，任何前景纹理都可以与任何任意背景和任何任意形状耦合。具体来说，训练编码器E来预测回用于生成相应fake图像的采样码y(b,p,c)：mathcal{L}_{text {code.pred}}=C E(E(G(y)), y) C E(cdot)

表示cross-entropy loss，对于连续的z，则采取L1损失。上述损失用于训练编码器E而不是生成器G。

3.3.3 精准形状和姿势的“特征模式”到目前为止，MixNMatch的编码器最多可以接收四幅不同的真实图像，并将编码得到b，z，p，c码，分别对背景，物体姿态，形状和纹理进行建模。然后，MixNMatch的生成器可以使用这些码生成新的、逼真的图像；默认情况下，将此设置称为MixNMatch的码模式。尽管生成的图像已高度捕获了这些因子（参见下图，“码模式”），但是某些图像转换应用可能需要精确的像素级形状、姿势对齐。码模式下的MixNMatch无法保留参考图像精确像素级形状和姿势细节。主要原因是，负责捕获形状的p潜空间小，无法为每个实例像素建模。（它被设置得较小是因为必须粗略地匹配数据中3D形状变化。码模式和特征模式之间的比较。第1-3行是真实参考图像，其中分别提取了背景b，纹理c和shape + pose的p＆z。第4-5行是MixNMatch的特征模式（可准确保留原始形状信息）和码模式（可在语义级别保留形状信息）生成。如上图所示，引入MixNMatch的特征模式以解决此问题。关键思想不是直接将参考图像编码为低维形状代码，而是直接学习从图像到更高维特征空间的映射，以保留参考图像的空间对齐的形状和姿势（像素级）细节。具体来说的特征模式下，训练一个新的形状和姿势特征提取器S，将真实图像x作为输入并输出特征S（x），以此与父阶段协作更精准的对齐x的形状等信息。4、实验以及部分结果5、讨论

最后，作者也谈及一些方法的局限，比如：

生成的背景可能会错过大型结构，因为使用patch鉴别器。特征模式的训练比较敏感、取决于码模式下所训练模型的好坏。对于图像的背景和目标对象纹理相似的场合下，无法生成良好的mask，导致生成一个不合理的目标物体。 ---来自腾讯云社区的---机器学习与生成对抗网络