DrugAI 3天前
以下文章来源于深度奇点 ，作者AITA|于志勇
深度奇点DeepSingularity致力于将AI与生物、医疗、城市、海洋等各个领域结合，找到深度奇点。
摘要
在传统无监督的图像到图像转换任务中，训练完成后的翻译框架将舍弃鉴别器。本次分享的这篇文章通过重用鉴别器对目标域的图像进行编码，提出了一种新的鉴别器角色。这个被称为NICE-GAN的体系结构展示了它的两种先进性：第一，它更紧凑，不需要独立的编码组件；第二，这种插入式编码器直接由对抗损失训练，在使用多尺度鉴别器的情况下将更具信息量和更有效的训练。NICE-GAN最主要的问题是训练时期的耦合，为了解决这个问题，本文提出了一种解耦的训练策略。通过这种策略，编码器只在最大化对抗损失时训练，其他情况下保持冻结。本文在四个流行的基准上进行了大量的实验，证明了该方法在FID、KID和人类偏好方面的优越性能。代码在https://github.com/alpc91/NICE-GAN-pytorch中开源。
1 引言
回顾当前取得广泛成功的翻译框架，大多数都由三个部分组成：将输入图像嵌入到低维隐藏空间中的编码器、用于转换翻译的生成器、以及进行域对齐的鉴别器。虽然这种做法已经成为了标准，但不免还是令人会有疑问：在当前的翻译框架中，是否有可能考虑每个组件的知识？更重要的是，是否有方法来更改当前的标准做法？仔细检查编码器和鉴别器之间的关系，就会发现，答案是肯定的。基本上，鉴别器是要区分源域的转换图像和目标域的真实图像。为此，鉴别器应在对输入图像进行某种语义编码之前，才能分辨出哪些图像是正确的，哪些是错误的。换句话说，这意味着鉴别器的两个作用：编码和分类。基于上述动机，本文提出将鉴别器重用于编码模块。鉴别器中一定数量的层作为目标域的编码器，如图1所示。这种重用具有两个优点：
1.实现了更紧凑的体系结构。由于编码器现在已成为鉴别器的一部分，因此不再需要编码的独立组件。此外，与现有的方法在训练后放弃了鉴别器不同，它的编码部分仍保留在框架中以供推断。
2.编码器得到了更有效的训练。编码器的传统训练是通过间接传播来自生成器的梯度进行的。在这里，通过将其插入鉴别器，可以直接通过鉴别损失来训练编码器。此外，鉴别器现在已经具有多尺度的形式表达能力;如果应用多尺度鉴别器，编码器将自然地继承表达能力。
剩下的主要问题是如何进行训练。对于传统方法，编码器与生成器一起进行编码，以使GAN损失最小化，而对鉴别器进行单独训练以使最大化。在NICE-GAN框架中，编码器和鉴别器会重叠，如果应用传统的训练设置，它将让模型变得不稳定：编码器作为翻译的一部分要进行最小化训练，同时它属于鉴别器并且也要进行最大化训练。为了消除这种不一致，本文提出了新的训练范式。具体而言，编码器的训练仅与鉴别器相关，而与生成器无关。此外，使编码器脱离翻译训练的束缚后，将使编码器朝着除翻译之外的更通用的编码目的发展，从而实现更大的通用性。
2 模型架构
图1：NICE-GAN流程图。这里仅显示一个从狗到猫的翻译流
No Independent Component for Encoding （NICE）。如图1所示，NICE-GAN重用鉴别器进行编码，为训练提供了效率和有效性方面的优势。形式上，将鉴别器Dy分为编码部分Ey和分类部分Cy。此外，新形式的编码器Ex和Ey存在于翻译和鉴别的训练循环中，因此难以训练。NICE-GAN中提出了一个解耦的训练方式。多尺度鉴别器Dx和Dy。由于Dy和Dx类似，因此此处仅讨论Dx。将不同比例的鉴别器应用于不同尺寸的图像（通过降采样从原始图像获得小尺寸图像）。本文考虑了一种更有效的方法，即将单个输入的不同层中的特征图视为不同比例的图像，然后将它们分别输入到具有相应输入大小的分类器中进行区分。鉴别器Dx包含两部分：编码器 Ex和分类器Cx。为了实现多尺度处理，分类器Cx进一步分为三个子分类：Cx0用于局部尺度（10×10接收域），Cx1中间尺度（70×70接收域）和Cx2全局尺度（286×286接收域）。Cx0直接连接到Ex的输出。然后，在Ex上进行下采样卷积层以提供较小比例的特征图，这些特征图被链接到两个分支：一个链接到Cx1，另一个通过卷积层进一步下采样，然后是C2x。对于单个输入图像，所有Cx0、Cx1和Cx2都经过训练以预测图像是否为假。图1中也展示出了这种多尺度鉴别器。除多尺度设计外，NICE-GAN还引入了注意力机制，以进一步促进特征在鉴别器中的传播。首先学习注意力向量，该向量计算编码器产生的特征图的重要性。然后，计算得到的关注特征将被用于以后的分类。除此之外，本文还加入了残差连接。通过这种修改，所提方法变得更加灵活，可以调整不同功能图的重要性，从而提高训练的有效性。生成器Gx→y和Gy→x。Gx→y和Gy→x都由六个残差块和两个用于上采样的亚像素卷积层组成，并且使用了AdaLIN light模块。解耦训练。训练过程中有三种损失：对抗损失、重建损失和循环一致性损失。对抗性损失是为了进行域转移，而重建损失和循环一致性损失都是针对不可识别性问题。由于编码器属于判别器Dx的一部分，而不是生成器的输入，所以如果采用常规的对抗训练，就会产生不一致性。为了克服这一缺陷，文章提出将编码器的训练与生成器的训练解耦。
1.生成对抗损失：首先，利用最小平方对抗损失，以获得更稳定的训练和更高的生成质量。其中，Ex固定，Ey在对抗损失最大化时接受训练。当最小化生成对抗损失时，两者都是固定的。
2.循环一致性损失：Cycle-GAN和Disco-GAN首先提出了循环一致性损失，这是为了迫使生成器彼此反向生成对方域的图像。
3.重建损失：与基于域相似性的损失函数不同，本文在两个域隐向量空间一致的假设基础上提出新的损失函数。真实样本经过编码器后得到的隐向量，会作为目标域生成器的输入，这种情况下，重建损失有助于两个域生成器生成图像在隐向量空间保持一致性。
3 实验结果
图2：生成输出的示例
表1：不同算法的FID和KID×100。越低越好。所有的方法都训练到100K次迭代。NICE-GAN*是生成器网络仅由四个残差块组成的版本
表2：参数总数和网络模块流量。NICE-GAN*是生成器网络仅由四个残差块组成的版本
表1显示，本文方法通常实现最低的FID或者KID，这表明NICE框架在不同任务上的翻译能力很有前途。相比之下，其他方法只对特定的数据集进行处理，例如，UGATIT、UNIT和MUNIT成功地转换了对象的语义（如动物脸），而CycleGAN则擅长修改底层特征（如颜色和纹理）。UGATIT与NICE-GAN具有大致相同的结构（多尺度鉴别器和产生器），它与NICE-GAN的区别主要在于其独立的编码方式。表2表明所提出的架构通过重用鉴别器进行编码更加紧凑。为了进一步观察视觉差异，图2描述了测试集中不同方法的翻译图像。
4 总结
本文主要介绍了NICE-GAN，这是一种用于无监督的图像到图像翻译的新颖框架。它重用鉴别器浅层网络作为编码器，并提出了新的训练方式。实验评估表明，NICE-GAN比其他方法具有更好的性能。
