欢迎来到贵阳互联网
Time:

您的位置: 首页 >> 软件

要讓GAN生成想要的樣本可控生成對抗網絡

2019.08.21 来源: 浏览:0次

要让GAN生成想要的样本,可控生成对抗络可能会成为你的好帮手

AI 科技评论按:如何让GAN生成带有指定特征的图像这是一个极有潜力、极有应用前景的问题,然而目前都没有理想的方法韩国大学电子工程学院Minhyeok Lee和Junhee Seok近期发表论文,就生成对抗络的控制问题给出了自己的办法, AI 科技评论根据原文进行如下,原文链接

简介生成对抗络(GANs)是最近几年提出的新方法,在其问世之后的短短时间内,生成对抗络已经在生成真实的样本上表现出很多有前途的结果了然而, 在生成对抗络的使用上,目前还有未能解决的问题:由于发生器(Generator)的输入变量是随机的,控制GANs产生的样本非常困难业界了已经有了一些解决方案,但是这些方案普遍没有办法很好地应用在复杂问题上除此之外,难以将发生器集中在产生真实的图像和产生有差异的图像的任务上,也一直亟待解决比如,沿用已知的模型,用于脸部图像生成的发生器就无法专注于两个目标中的某一个,即根据标签产生人脸的真实图像,或是产生有差异的人脸图像这篇文章则介绍了一种新的方法,即可控生成对抗络(Controllable GAN, CGAN)CGAN在控制生成样本上有很强的表现,同时,它还能控制发生器专注于单个目标(生成真实的图像或产生不同的图像)文章最后使用CelebA的数据库对CGAN进行评估CGAN实现了对GAN的控制,相信可以加速和助益GAN的研究

背景生成对抗络(GAN)是一种神经络架构,被引用来生成真实的样本尽管这个架构是近几年才提出的,GAN的大量成果不仅表现于生成真实样本上,还体现于机器翻译和图像超分别率的应用中

但是,由于样本发生器的输入是随机分布的,在生成真实样本的时候,很难控制GAN比如,生产的vanilla GAN样本是现实的,也具备多样性,但是随机输入和生成样本的特征之间的关系却不明显

在过去的几年中,尝试控制由GAN产生的样本的研究从未停止其中,最为著名的控制方法就是有条件的GAN(Conditional GAN)有条件的GAN将标签分别输入发生器(Generator)和鉴别器(Discriminator),由此他们可在训练时有条件的工作但是,这种有条件的GAN不能解决控制发生器专注于一个任务的问题,如生成真实样本和根据输入标签在样本之间产生差异的任务例如:CelebA数据库包含202559张名人的脸部图片,有40中不同的特征标记,如戴帽子或者年轻人等当有条件的GAN生成真实样本时,预训练的只有一些简单的标签,比如笑、帽子之类的为了让发生器具备处理复杂标签的能力,如尖尖的鼻子或者拱形的眉毛,需要控制发生器更注重根据标签生成不同的样本

可控生成对抗络 CGAN在这篇论文中,作者介绍了一种新颖的生成对抗络架构来控制生成的样本,称为可控生成对抗络(CGAN)CGAN由三个部分构成,发生器/解码器,鉴别器和分类器/编码器在CGAN中,发生器和鉴别器、分类器同时工作;发生器旨在欺骗鉴别器并同时需要被分类器正确的进行分类

与现有的模型相比,CGAN具有两个主要的优势首先,CGAN可以通过参数化损失函数专注于条件GAN的两个主要目标中的一个目标,即真实样本或者表现差异因此,如果要牺牲真实实现差异性

,CGAN可以根据复杂标签生成面部图像其次,当鉴别器使用条件GAN时,CGAN使用一个独立的络进行相应输入标签的特征映射因此,鉴别器可以更多的专注进行假样本和原始样本之间的甄别,从而提高生成样本的真实性

在这篇论文中,使用CelebA进行CGAN的实验通过实验,证实了CGAN可以有效地根据输入标签生成人脸图像样本

材料和方法CGAN由三种神经络结构组成,发生器/解码器,鉴别器和分类器/编码器图1中描述了这种CGAN的架构这三种结构相互协作,发生器尝试欺骗鉴别器,这与vanilla GAN相同,并且旨在正确的被分类器进行分类发生器和分类器也可以理解为解码器-编译器的结构,原因是标签是发生器的输入同时是分类器的输出

CGAN对如下的方程进行最小化:

l是样本x的二进制表示,并且是发生器的输入数据,同时还作为鉴别器和分类器的参数

CGAN强制将特征映射到相应输入发生器的l这个参数决定了发生器专注于样本真实性的程度这篇论文中应用了Boundary Equilbrium GAN(BEGAN)架构,即目前最新的生成图像样本的GAN架构发生器由四个反卷积层组成每层使用5*5的过滤器鉴别器由四个卷积层和4个反卷积层构成分类器由4个卷积层和一个全连接层构成为了验证方法的效率,并没有使用dropout和max-pooling我们将α设置为0.5,β设置为1并将γ设置为5

结果和讨论使用CelebA数据库生成多标签的名人人脸图片样本

通过想发生器输入多个标签,CGAN可以生成多标签样本CelebA数据库由多个标签的图片构成例如,一个样本图片可以有“Attractive”,“Blond Hair”,“Mouth Slightly Open”和“Smiling”的标签

首先,使用一个标签生成图片生成的样本见图2

像之前讨论的,CGAN可以通过向发生器输入多个标签生成多标签的样本图3是通过CelebA生成的多标签图片其中“No Label”的图片只通过随机分布z~N(0,1)生成,并且输入标签设置成一个0矩阵,长度为40,l=【0,0,...,0】“+ Attractive”的图片由同样的z和“Attractive”标签的二进制生成类似的,最后一组图片是由z和多个标签生成的

CGAN还具有另一优势:相较于条件GAN,CGAN可以生成label-focused样本通过选择γ的低值,可以讲发生器更多的专注于输入标签图4是CGAN,γ=5和条件GAN的对比从图中可以看出CGAN生成的人脸图片比条件GAN更契合输入标签例如,使用“Arched Eyebrow”标签时,CGAN生成的图片全部符合这个标签的特征,而条件GAN则有偏差

结论这篇论文提出了一种新的生成络模型,即CGAN,这种模型可以控制生成的图片样本CGAN包含三个模块,发生器/解码器,鉴别器和分类器/编码器通过将相应的特征映射到输入标签上,生成的样本可以被有效地控制

其实CGAN是一个简单的架构,即为vanilla GAN和解码-编码结构的组合通过实验,作者证实了CGAN可以生成具有多个标签的人脸图片同时,这种控制有效性也可以对生成对抗络的研究带来一些重要的提升

论文地址:

(公众号:) AI 科技评论编译

版权文章,未经授权禁止转载详情见转载须知

小儿便秘怎么调理

小孩脸色发黄吃什么

宝宝厌食怎么办

宝宝健脾助消化吃什么
新生儿眼睛有眼屎
治疗孩子积食药品
Tags:
友情链接