深度学习_GAN_CycleGAN

非匹配数据的图像转换

Pix2Pix可以很好地处理匹配数据集的图像转换，但是在很多情况下匹配数据集是没有的或者说非常难收集到。在实际生活中，我们却可以很容易的拿到两个领域的大量非匹配数据。

下图展示了匹配数据和非匹配数据的区别：

CycleGAN就是解决非匹配数据集的图像转换的一种非常好用的网络。对于照片风格的转换，传统CNN网络是通过将某个画作中的风格叠加到原始图片上，如下图所示：

上面的方法仅仅将两张特定的图片之间进行转换，而CycleGAN的转换是存在于两个图像领域中的。

接下来我们欣赏一下一些CycleGAN转换的例子，在学习技术的同时也感受艺术的魅力。
以下，enjoy：

CycleGAN框架

CycleGAN的核心架构是由两个生成对抗网络的合作组成的。X与Y分别代表两组不同领域的图像数据，第一组生成对抗网络是生成器G（从X到Y的生成）与判别器 $D_Y$，用于判断图像是否属于领域Y；第二组生成对抗网络是反向的生成器F（从Y到X的生成）与判别器 $D_X$，用于判断图像是否属于领域X。两个生成器G和F的目标都是尽可能生成对方领域中的图像以“骗过”各自对应的判别器 $D_Y$和 $D_X$。

CycleGAN逻辑结构

生成器结构

由编码层、转换层和解码层三部分组成。

判别器结构

CycleGAN目标函数

CycleGAN中引入了Cycle-consistency Loss。我们需要将两组生成对抗网络有机地结合起来。我们首先看下面第一张图，在生成器G通过条件数据x生成Y领域的数据 $\hat{Y}$后，我们需要将它通过对面的生成器F重新还原一个原来领域中的 $\hat{x}$，为了保证一致性，我们希望让x和 $\hat{x}$尽可能接近，而x和 $\hat{x}$之间的距离我们称之为Cycle-consistency Loss。

上面的两个图可以有下面的两个公式概括：

$x \to G(x)\to F(G(x))\approx x$

$y \to F(y)\to G(F(y))\approx y$

接下来我们需要设计两个对抗网络的对抗损失：

$L_{GAN}(G,D_Y,X,Y)= {\rm E}_{y\sim{p_{data}(y)}}[\log D_Y(y)] + {\rm E}_{x\sim{p_{data}}(x)}[\log (1 - D_Y(G(x))]$

$L_{GAN}(G,D_X,X,Y)= {\rm E}_{x\sim{p_{data}(x)}}[\log D_X(x)] + {\rm E}_{y\sim{p_{data}}(y)}[\log (1 - D_X(F(y))]$

接下来我们定义Cycle-consistency Loss来确保生成器产生的数据能够与反向生成后的数据基本保持一致。

$L_{cyc}(G,F) = {\rm E}_{x\sim p_{data}{x}}[||F(G(x)) - x||_1] + {\rm E}_{y\sim p_{data}{y}}[||G(F(x)) - y||_1]$

最后我们可以得出完整的目标函数：

$L(G,F,D_X,D_Y) = L_{GAN}(G,D_Y,X,Y) + L_{GAN}(F,D_X,Y,X) + \lambda L_{cyc}(G,F)$

与原始GAN一样，最终的优化函数依然是需要解决下面的这个极小极大值问题：

$G^*,F^*=\mathop {\min }\limits_{G,F} \mathop {\max }\limits_{D_X,D_Y} L(G,F,D_X,D_Y)$

实验