BicycleGAN详解与实现

由于GAN固有的特性，诸如pix2pix、cycleGAN等都有一个缺点——图像的输出看起来几乎总是相同的，这是它学会过滤了噪声的随机性。为了进行多样化图像转换，本文详解了BicycleGAN如何解决此问题以生成更丰富的图像变化。BicycleGAN可以找到潜在编码z与目标图像B之间的关系，因此生成器可以在给定不同的z时学会生成不同的图像，BicycleGAN通过组合cVAE-GAN和cLR-GA

盼小辉丶

9042人浏览 · 2021-06-25 16:05:45

盼小辉丶 · 2021-06-25 16:05:45 发布

BicycleGAN详解与实现

使用BicyleGAN进行多样化图像转换

Pix2pix 和 CycleGAN 是非常的流行GAN，不仅在学术界有许多变体，同时也有许多基于此的应用。但是，它们都有一个缺点——图像的输出看起来几乎总是相同的。例如，如果我们要执行斑马到马的转换，被转换的同一马的照片将始终具有相同的外观和色调。这是由于GAN固有的特性，它学会过滤了噪声的随机性。为了进行多样化图像转换，本文详解了 BicycleGAN 如何解决此问题以生成更丰富的图像，并利用 Tensorflow2 实现了 BicycleGAN 。

BicyleGAN效果展示

使用 BicyleGAN 可以将一张图片进行多样化的转换，产生不同的样式和色彩：
BicyleGAN效果展示

BicycleGAN架构

在开始实现 BicycleGAN 之前，首先简要介绍一下。第一次听到这个名字，你可能会认为 BicycleGAN 是 CycleGAN 的变体，但其实它与 CycleGAN 无关，反而它是对 pix2pix 的一种改进。
pix2pix 是一对一映射，其中给定输入的输出始终相同。当试图将噪声添加到生成器输入时，网络会忽略噪声，并且在输出图像中并不会产生变化。因此，需要寻找一种方法，强制生成器不得忽略噪声，而是使用噪声来生成多样化的图像，即一对多映射。
下图是 BicycleGAN 相关的模型和配置。图(a)是推理的配置，图像A与噪声相结合以生成图像 $\hat B$ ，可以将此看作是 cGAN 。在BicyleGAN中，形状为(256, 256, 3)的图像A是条件，而从潜在编码 $z$ 采样的噪声为大小为8的一维向量。图(b)是 pix2pix + 噪声 的训练配置。而 图(c) 和 图(d) 的两个配置由 BicycleGAN 训练时使用：
BicycleGAN架构
简而言之，BicycleGAN 可以找到潜在编码z与目标图像B之间的关系，因此生成器可以在给定不同的z时学会生成不同的图像 $\hat B$ 。如上图所示，BicycleGAN 通过组合 cVAE-GAN 和 cLR-GAN 这两种模型来做到这一点。

cVAE-GAN

VAE-GAN 的作者认为， $L_1$ 损失并不是衡量图像视觉质量的良好指标。例如，如果图像向右移动几个像素，则人眼看起来可能没有什么不同，但会导致较大的 $L_1$ 损失。因此使用 GAN 的鉴别器来学习目标函数，以判断伪造的图像是否真实，并使用 VAE 作为生成器，生成的图像更清晰。如果忽略上图(c)中的图像 $A$ ，那就是 VAE-GAN ，由于以 $A$ 为条件，其成为条件 cVAE-GAN 。训练步骤如下：

VAE 将真实图片 $B$ 编码为多元高斯分布的潜在编码，然后从它们中采样以创建噪声输入，此流程是标准的VAE工作流程；
使用图像 $A$ 作为条件及从潜矢量 $z$ 采样的噪声用于生成伪图像 $\hat B$ .

训练中的数据流为 $B->z->\hat B$ ( 图(c) 中的实线箭头)，总的损失函数由三个损失组成：

$\mathcal L_{GAN}^{VAE}$ ：对抗损失
$\mathcal L_1^{VAE}$ ： $L_1$ 重建损失
$\mathcal L_{KL}$ ： $K L$ 散度损失

cLR-GAN(Conditional Latent Regressor GAN)

在 cVAE-GAN 中，对真实图像B进行编码，以提供潜在矢量的真实样本并从中进行采样。但是， cLR-GAN 的处理方式有所不同，其首先使用生成器从随机噪声中生成伪图像 $\hat B$ ，然后对伪图像 $\hat B$ 进行编码，最后计算其与输入随机噪声差异。
前向计算步骤如下：

首先，类似于 cGAN ，随机产生一些噪声，然后串联图像A以生成伪图像 $\hat B$ 。
之后，使用来自 VAE-GAN 的同一编码器将伪图像 $\hat B$ 编码为潜矢量。
最后，从编码的潜矢量中采样 $\hat z$ ，并用输入噪声 $z$ 计算损失。

数据流为 $\hat B -> \hat z$ ( 图(d) 中的实线箭头)，有两个损失：

$\mathcal L_{GAN}$ ：对抗损失
$\mathcal L_1^{latent}$ ：噪声 N(z) 与潜在编码之间的 $L_1$ 损失

通过组合这两个数据流，在输出和潜在空间之间得到了一个双映射循环。 BicycleGAN 中的 bi 来自双映射(双向单射)，这是一个数学术语，简单来说其表示一对一映射，并且是可逆的。在这种情况下，BicycleGAN 将输出映射到潜在空间，并且类似地从潜在空间映射到输出。总损失如下：
$loss_{Bicycle}=\mathcal L_{GAN}^{VAE}+\mathcal L_{GAN}+λ\mathcal L_1^{VAE}+λ_{latent}\mathcal L_1^{latent}+λ_{KL}$
在默认配置中， $λ = 10$ 、 $λ_{latent} = 0.5$ 、 $λ_{latent} = 0.01$ 。

BicycleGAN实现

BicycleGAN 中有三种类型的网络——生成器，鉴别器和编码器。为 cVAE-GAN 和 cLR-GAN 使用单独的鉴别器可以提高图像质量，因此我们将使用四个网络-生成器，编码器和两个鉴别器。

在生成器中插入潜在编码

将潜在编码插入到生成器中有两种方法，如下图所示：

与输入图像进行级联；
将其插入到生成器的下采样路径中的其他层中。

在生成器中插入潜在编码实验发现前者效果很好。
有多种方法可以将不同形状的输入和条件结合起来。 BicycleGAN 使用的方法是多次重复潜在编码然后与输入图像连接。
在 BicycleGAN 中，潜在编码长度为8，我们从噪声分布中提取了8个样本，每个样本重复H×W次以形成形状为 (H, W, 8) 的张量。换句话说，在8个通道中，其 (H,W) 特征图都是相同的。以下代码显示了潜在编码的拼接和连接：

input_image = layers.Input(shape=image_shape, name='input_image')
input_z = layers.Input(shape=(self.z_dim,), name='z')
z = layers.Reshape((1,1, self.z_dim))(input_z)
z_tiles = tf.tile(z, [self.batch_size, self.input_shape[0], self.input_shape[1], self.z_dim])
x = layers.Concatenate()([input_image, z_tiles])

下一步是创建两个模型，即 cVAE-GAN 和 cLR-GAN，以合并网络并创建前向信息流。

cVAE-GAN

下面创建 cVAE-GAN 模型的代码，前向计算的实现：

images_A_1 = layers.Input(shape=input_shape, name='ImageA_1')
images_B_1 = layers.Input(shape=input_shape, name='ImageB_1')
z_encode, self.mean_encode, self.logvar_encode = self.encoder(images_B_1)
fake_B_encode = self.generator([images_A_1, z_encode])
encode_fake = self.discriminator_1(fake_B_encode)
encode_real = self.discriminator_1(images_B_1)
kl_loss =  - 0.5 * tf.reduce_sum(1 + self.logvar_encode - tf.square(self.mean_encode) - tf.exp(self.logvar_encode))
self.cvae_gan = Model(inputs=[images_A_1, images_B_1], outputs=[encode_real, encode_fake, fake_B_encode, kl_loss])

我们在模型中使用了 $K L$ 散度损失。由于可以直接根据均值和对数方差来计算 kl_loss ，而无需在训练步骤中传入外部标签，因此更加简单有效。

cLR-GAN

下面是 cLR-GAN 的实现，前向计算的实现：

images_A_2 = layers.Input(shape=input_shape, name='ImageA_2')
images_B_2 = layers.Input(shape=input_shape, name='ImageB_2')
z_random = layers.Input(shape=(self.z_dim,), name='z')
fake_B_random = self.generator([images_A_2, z_random])
_, mean_random, _ = self.encoder(fake_B_random)
random_fake = self.discriminator_2(fake_B_random)
random_real = self.discriminator_2(images_B_2)      
self.clr_gan = Model(inputs=[images_A_2, images_B_2,   z_random],
			outputs=[random_real, random_fake, mean_random])

现在，我们现在已经定义了模型，下一步是实现训练步骤。

训练步骤

两种模型一起进行训练，但是具有不同的图像对。因此，在每个训练步骤中，我们两次获取数据，每个模型一次，这是通过创建数据管道来完成的，该数据管道将调用两次以加载数据：

images_A_1, images_B_1 = next(data_generator)
images_A_2, images_B_2 = next(data_generator)
self.train_step(images_A_1, images_B_1, images_A_2, images_B_2)

我们可以使用两种不同的方法来执行训练。一种是使用优化器和损失函数定义和编译Keras模型，然后调用 train_on_batch() 来执行训练步骤，这种方法在定义明确的模型上效果很好。此外，我们也可以使用 tf.GradientTape 来更好地控制梯度更新。BicycleGAN 有两个模型，它们共享一个生成器和一个编码器，但是我们需要使用损失函数的不同组合来更新它们的参数，这使 train_on_batch 方法在不修改原始设置的情况下不可行。因此，我们使用 tf.GradientTape 将这两个模型的生成器和鉴别器组合为一个训练步骤，如下所示：

第一步是执行前向传递并收集两个模型的输出：

    def train_step(self, images_A_1, images_B_1, images_A_2, images_B_2):
        z = tf.random.normal((self.batch_size, self.z_dim))
        real_labels = tf.ones((self.batch_size, self.patch_size, self.patch_size, 1))
        fake_labels = tf.zeros((self.batch_size, self.patch_size, self.patch_size, 1))

        with tf.GradientTape() as tape_e, tf.GradientTape() as tape_g, tf.GradientTape() as tape_d1, tf.GradientTape() as tape_d2:
            encode_real, encode_fake, fake_B_encode, kl_loss = self.cvae_gan([images_A_1, images_B_1])
            random_real, random_fake, mean_random = self.clr_gan([images_A_2, images_B_2, z])

接下来，我们通过反向梯度传播更新鉴别器：

            # discriminator loss
            self.d1_loss = self.mse(real_labels, encode_real) + self.mse(fake_labels, encode_fake)
            gradients_d1 = tape_d1.gradient(self.d1_loss, self.discriminator_1.trainable_variables)
            self.optimizer_d1.apply_gradients(zip(gradients_d1, self.discriminator_1.trainable_variables))

            self.d2_loss = self.mse(real_labels, random_real) + self.mse(fake_labels, random_fake)
            gradients_d2 = tape_d2.gradient(self.d2_loss,self.discriminator_2.trainable_variables)
            self.optimizer_d2.apply_gradients(zip(gradients_d2, self.discriminator_2.trainable_variables))

然后，我们根据模型的输出计算损失。与 CycleGAN 相似，BicycleGAN 也使用 LSGAN 损失函数，即均方误差：

			self.LAMBDA_IMAGE = 10
			self.LAMBDA_LATENT = 0.5
			self.LAMBDA_KL = 0.01
            # Generator and Encoder loss
            self.gan_1_loss = self.mse(real_labels, encode_fake)
            self.gan_2_loss = self.mse(real_labels, random_fake)
            self.image_loss = self.LAMBDA_IMAGE * self.mae(images_B_1, fake_B_encode)
            self.kl_loss = self.LAMBDA_KL * kl_loss
            self.latent_loss = self.LAMBDA_LATENT * self.mae(z, mean_random)

最后，还有生成器和编码器权重的更新。 $L_1$ 潜在编码损失仅用于更新生成器，而不用于更新编码器。由于针对损失同时优化将导致它们隐藏与潜在编码有关的信息，而不学习潜在编码中有意义的模式。因此，需要为生成器和编码器分别计算损失，并相应地更新权重：

            encoder_loss = self.gan_1_loss + self.gan_2_loss + self.image_loss + self.kl_loss
            generator_loss = encoder_loss + self.latent_loss

            gradients_generator = tape_g.gradient(generator_loss, self.generator.trainable_variables)
            self.optimizer_generator.apply_gradients(zip(gradients_generator, self.generator.trainable_variables))
            
            gradients_encoder = tape_e.gradient(encoder_loss, self.encoder.trainable_variables)
            self.optimizer_encoder.apply_gradients(zip(gradients_encoder, self.encoder.trainable_variables))

训练结果及分析

训练BicycleGAN，可以选择两个数据集-建筑结构草图或鞋子的边线草图。鞋子数据集的图像更简单，因此更易于训练，因此以此训练为例。以下图像是 BicycleGAN 训练结果的展示示例。第一张图片是线稿，第二个图片是线稿对应的真实图像，右边的四个图片是生成的：
BicyleGAN效果展示
可以看到，由同一线稿生成的不同图片间的差异主要是颜色。它们都几乎完美地捕捉了鞋子的结构，但就细节捕捉而言，效果并不十分理想，可以通过增加训练与超参数调整来获取更加优异的模型性能。