如果沒(méi)有StyleGAN2，真以為初代就是巔峰了：英偉達(dá)人臉生成器高能進(jìn)化，彌補(bǔ)重大缺陷

栗子 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

今天之前，你大概會(huì)覺(jué)得，英偉達(dá)的StyleGAN已經(jīng)是效果最震撼的GAN吧。

它既能生成逼真的人臉：

也能生成可愛(ài)的老婆：

還有逼真的貓咪、臥室、汽車……投喂哪種數(shù)據(jù)集，就吐出哪種圖像。

但英偉達(dá)并不過(guò)度驕傲，自StyleGAN發(fā)表以來(lái)，團(tuán)隊(duì)就一直研究它的弱點(diǎn)，然后想辦法拯救。

現(xiàn)在，升級(jí)版StyleGAN2誕生了，它彌補(bǔ)了第一代的各種缺陷。

先舉個(gè)例子。初代StyleGAN生成人像，周圍總是出現(xiàn)水滴狀不明物體：

如今，StyleGAN2生成的圖像里，看不到奇怪的水滴了：

不要急著驚訝，這只是其中一處，StyleGAN2解鎖的新技能還有不少。

更美好的是，英偉達(dá)已經(jīng)把算法開(kāi)源了。

所以，先來(lái)觀察一下它到底是怎樣進(jìn)化的吧。

水滴是如何消除的？

初代StyleGAN的第一個(gè)缺陷，就是剛剛提到的“水滴”。嚴(yán)重的時(shí)候，甚至?xí)迫四樀耐暾?/p>

論文說(shuō)，水滴有時(shí)候很明顯，有時(shí)候肉眼不易察覺(jué)，但如果從特征圖?(Feature Map) 上看，其實(shí)問(wèn)題一直都在：

△ 右邊是特征圖

想去除水滴，首先要知道它從哪里來(lái)，才好對(duì)癥下藥。

從生成64×64的圖像開(kāi)始就有了，分辨率越高，水滴現(xiàn)象就越嚴(yán)重。

團(tuán)隊(duì)起初對(duì)這種缺陷的存在感到費(fèi)解，因?yàn)榘闯＠碚f(shuō)判別器應(yīng)該能發(fā)現(xiàn)才對(duì)啊？

但很快，他們就把矛頭指向了生成器的實(shí)例歸一化?(Instance Normalization)，上代StyleGAN用的方法是AdaIN?(自適應(yīng)實(shí)例歸一化) 。

因?yàn)椋沁@個(gè)部分負(fù)責(zé)把每張特征圖的均值 (Mean) 和方差 (Variance) 分開(kāi)歸一化，很可能是這種做法破壞了特征信息。

于是一種假設(shè)誕生了：

水滴形成的原因是，生成器故意讓信號(hào)強(qiáng)度信息 (Signal Strength) 繞過(guò)實(shí)例歸一化，它會(huì)創(chuàng)建一個(gè)強(qiáng)大的局部化 (Localized) 的信號(hào)峰，來(lái)支配統(tǒng)計(jì)數(shù)據(jù)，有效縮放信號(hào)強(qiáng)度。(欺上瞞下的騷套路啊。)

假設(shè)輕松得到了驗(yàn)證。只要把實(shí)例歸一化拿掉，水滴就完全消失了。

但真的拿掉之后，又會(huì)導(dǎo)致每一種風(fēng)格的效果累積起來(lái) (Cumulative) ，沒(méi)辦法保留在特定的尺度上，這樣就很難控制GAN的生成了。所以，團(tuán)隊(duì)重新設(shè)計(jì)了實(shí)例歸一化的過(guò)程。

說(shuō)到重新設(shè)計(jì)，就簡(jiǎn)單介紹一下初代StyleGAN。它的生成器是從風(fēng)格遷移算法上借鑒而來(lái)，能在粗糙到精細(xì)的不同尺度上操控GAN的生成，再把各種尺度的風(fēng)格 (Style) 結(jié)合起來(lái)：

△ 尺度越細(xì)調(diào)整越小：最精細(xì)尺度只調(diào)配色，不改姿勢(shì)發(fā)型五官

初代StyleGAN的生成器，是在風(fēng)格塊里加了偏置 (Bias) 和噪聲 (Noise) 。就如下圖，(a)是整體架構(gòu)，(b) 是細(xì)節(jié)：

△ 灰色框是風(fēng)格塊

團(tuán)隊(duì)發(fā)現(xiàn)，如果把偏置和噪音挪到風(fēng)格塊之外，直接加在已經(jīng)歸一化的數(shù)據(jù)上，就能得到更加可預(yù)測(cè)的結(jié)果。

(除此之外，這樣改動(dòng)過(guò)后，只要對(duì)標(biāo)準(zhǔn)差做歸一化和調(diào)制就足夠，不用再處理均值了。)

這也是重新設(shè)計(jì)的第一步，邁出這一步之后架構(gòu)長(zhǎng)這樣：

在此基礎(chǔ)之上，團(tuán)隊(duì)又走了第二步：

原本每個(gè)風(fēng)格塊由三部分組成，一是調(diào)制，二是卷積，三是歸一化。

團(tuán)隊(duì)把歸一化這個(gè)部分，用一個(gè)新的“解調(diào)?(Demodulation) ”代替了。

此處隱去數(shù)學(xué)過(guò)程，只說(shuō)中心思想：與原本的歸一化相比，“解調(diào)”不是基于特征圖的實(shí)際內(nèi)容 ，而是基于假設(shè)?(Assumptions/Expected Statistics) 。也就是說(shuō)，比從前的操作更溫和了。

修改完畢，變成了下圖的樣子。是調(diào)制后直接解調(diào)，把解調(diào)結(jié)果交給卷積：

實(shí)驗(yàn)也證明，新的實(shí)例歸一化方法可以有效去除水滴現(xiàn)象。不論是在生成的圖像上，還是在特征圖上，都沒(méi)有奇怪的斑點(diǎn)了：

從一張圖到另一張圖的變化過(guò)程中，也沒(méi)有出現(xiàn)水滴：

與此同時(shí)，“解調(diào)”也讓各個(gè)尺度的風(fēng)格，保留在原本的尺度上。團(tuán)隊(duì)說(shuō)，StyleGAN2在不同尺度風(fēng)格的混合方面，比上一代更自如了：

(來(lái)源A和來(lái)源B，就是不同尺度的風(fēng)格。)

這樣，一個(gè)缺陷就補(bǔ)好了。

但還有下一個(gè)。

五官姿勢(shì)不同步怎么破？

初代StyleGAN，用的是漸進(jìn)式增大?(Progressive Growing) 的訓(xùn)練方法。

就是從4×4的圖像開(kāi)始生成，到8×8，到16×16，一步一步增大生成的分辨率，最終煉成1024×1024的高清圖像生成技能。

這種方法能把GAN的訓(xùn)練過(guò)程變得更加穩(wěn)定，是從大前輩PG-GAN那里沿用下來(lái)的。英偉達(dá)第一次以生成逼真人臉聞名于世，靠的就是PG-GAN。

只不過(guò)，這種方法有一個(gè)明顯的弱點(diǎn)，就是對(duì)牙齒、眼睛等等細(xì)節(jié)，有很強(qiáng)的位置偏好。也就是說(shuō)，這些細(xì)節(jié)特征每移動(dòng)到一個(gè)位置，都會(huì)在那里停留很久，才移去下一個(gè)位置：

這樣一來(lái)，臉上各個(gè)部位的姿勢(shì)很容易不匹配。

如果你沒(méi)看出破綻，觀察下面這張圖吧。臉轉(zhuǎn)了方向之后，牙齒沒(méi)有及時(shí)跟著走，門牙一直朝著正前方：

這不科學(xué)。

團(tuán)隊(duì)用一種新的方法取代了漸進(jìn)式增大。療效顯著，人臉轉(zhuǎn)動(dòng)的時(shí)候，牙齒的朝向也隨著改變了：

原本StyleGAN的生成器和判別器都只用了簡(jiǎn)單的前饋設(shè)計(jì)，所以團(tuán)隊(duì)探索了更科學(xué)的結(jié)構(gòu)。

他們借鑒了MSG-GAN的架構(gòu) (圖a) ，這位前輩是把生成器和判別器的分辨率，用多個(gè)跳層連接?(Skip Connections) 匹配起來(lái)：

研究人員在這基礎(chǔ)上做了簡(jiǎn)化，生成器用了上采樣 (Upsampling) 與求和 (Summing) 來(lái)處理每一種分辨率下RGB輸出的貢獻(xiàn) (圖b上方) 。

判別器 (圖b下方) 也是同理，利用了降采樣 (Downsampling) 。

然后，就是用殘差連接?(Residual Connections) 進(jìn)一步改造網(wǎng)絡(luò)。不過(guò)，ResNet里面兩條路徑相加會(huì)讓信號(hào)的方差加倍，所以這里乘以1/√2來(lái)解決這個(gè)問(wèn)題。

這一步很重要，因?yàn)樵诜诸愑玫腞esNet上，這個(gè)問(wèn)題通常會(huì)被批量歸一化隱藏起來(lái)。

實(shí)驗(yàn)表明，跳層連接可以大大提升PPL，殘差連接又對(duì)FID有利。

最終，團(tuán)隊(duì)最終選擇了跳層生成器，以及殘差判別器。

結(jié)果，得到了五官姿勢(shì)同步變化的人臉：

還能這樣玩

論文提到，把生成器的工作“顛倒過(guò)來(lái) (Inverting) ”，也是個(gè)很有趣且很重要的課題。

也就是說(shuō)，輸入一張圖，如果能夠復(fù)現(xiàn)，就可以判斷它是這只GAN生成的。

這就需要把圖片投射進(jìn)潛在空間里，找到它對(duì)應(yīng)的潛在向量，來(lái)復(fù)現(xiàn)這張圖。

迭代1000次之后，得到圖片和原圖幾乎無(wú)差的話，原圖就是StyleGAN2生成的 (下圖左) ；得到的圖片和原圖有明顯差別的話，原圖就不是StyleGAN2生成的 (下圖右) ：

雖然類似的操作從前也出現(xiàn)過(guò)，但團(tuán)隊(duì)提出了與前輩不同的方法，來(lái)找到復(fù)現(xiàn)需要的潛碼 (Latent Code) ：

不去擴(kuò)展?jié)撛诳臻g，只在原本的潛在空間里找潛碼，這樣不會(huì)匹配到無(wú)關(guān)的圖像，而是會(huì)對(duì)應(yīng)到生成過(guò)的圖像上；

給潛碼加上了緩步下降的噪音，這樣能更充分地挖掘潛在空間；

另外，還優(yōu)化了StyleGAN2生成器的隨機(jī)噪音，就是把它們正則化，避免攜帶相關(guān)信號(hào)。

科學(xué)家說(shuō)，隨著GAN生成的圖像越來(lái)越逼真，也就更需要檢測(cè)一張圖是不是GAN生成的。

這當(dāng)然是正經(jīng)用途。但在算法開(kāi)源之后，已經(jīng)被小伙伴們玩壞了：

得到這些鬼畜的表情包，就是說(shuō)史萊克和阿凡達(dá)，果然不是StyleGAN的作品啊。

開(kāi)源了

既然代碼已經(jīng)放出來(lái)，你也要試著玩壞一下StyleGAN2吧。

不然就先看看論文，那里講到的進(jìn)化之處比本文要全面，看完之后你就會(huì)有更大膽的想法了。

論文傳送門：
https://arxiv.org/abs/1912.04958

代碼傳送門：
https://github.com/NVlabs/stylegan2