【Kaggle】“我请莫内帮个忙，能不能来张自画像”

一、题目介绍

题目链接：Use GANs to create art - will you be the next Monet?

我们通常通过艺术家的独特风格来识别他们的作品，例如颜色选择或笔触。生成对抗网络（GAN）现在可以用算法模仿像莫奈这样的艺术家的作品。在这个题目中，将尝试把这种风格带到照片中，或者从零开始创造这种风格！

GAN 现在能够以非常令人信服的方式模仿物体，但创造博物馆级的杰作被认为是艺术而非科学。那么科学能否以 GAN 的形式欺骗分类器，让他们相信你创造了一个真正的莫奈？

二、GAN介绍

GAN 至少由两个神经网络组成：一个生成器模型和一个判别器模型。生成器是创建图像的神经网络,生成器使用鉴别器进行训练。
这两个模型将相互对抗，生成器试图欺骗鉴别器，而鉴别器试图准确地对真实图像和生成的图像进行分类。

生成器G和判别器D的相同点是：

• 这两个模型都可以看成是一个黑匣子，接受输入然后有一个输出，类似一个函数，一个输入输出映射。

其不同点是：

• 生成模型功能：比作是一个样本生成器，输入一个样本，然后通过他生成另一个样本。
• 判别模型：用以判断生成的样本和真实目标之间的差距。

三、CycleGAN

3.1 模型介绍

Cycle GAN是Jun-Yan Zhu等人提出的图像-图像转换对抗网络。图像-图像转换问题的目标是学习一种从源域到目标域的转换$G:X\to Y$，使得在判别器上X和Y的分布不可区分。

但是，这种映射往往会是欠约束的，所以作者使用了另一个新的映射$F:G(X)\to X$与映射G耦合，来实现模型训练的一致性。这种方法来自语言翻译中的“循环一致”原则：从中文翻译成英文的句子，反义会中文，应当回到原始的句子。

3.2 算法架构

其结构示意图如下所示：

模型包括两个生成器$G$和$F$，和与其相关的判别器$D_Y$和$D_X$

• $G:X\to Y$
• $F:Y\to X$
• $\hat{Y}=G(X),\hat{X}=F(Y)$
• $D_Y:Loss(\hat{Y},Y)$
• $D_X:Loss(\hat{X},X)$
• 正向一致性损失：$Loss(X,F(\hat{Y}))=Loss(X,F(G(X)))$
• 反向一致性损失：$Loss(Y,F(\hat{X}))=Loss(Y,G(F(Y)))$

3.3 优化目标

经典的GAN采用负对数似然（NLL）来作为优化目标：

• 对于生成器G：$L_g=-{\mathbb{E}}_{x\sim p_{data}(x)}|\log (1-D(G(x))|$
  用以最小化生成样本的“判别结果为真的样本”（判别器对真实目标输出为1，假目标为0）间的差距。
• 对于判别器D：$L_d=-{\mathbb{E}}_{x\sim p_{data}(x)}|\log D(G(x))|+-{\mathbb{E}}_{y\sim p_{data}(y)}|\log (1-D(y))|$
  其中前半部分最小化生成样本和“判别为假的样本”（即判别器输出0的样本）的距离，后半部分最小化对目标样本和“判别结果为真的样本”的距离。前半部分用于对抗生成器G，后半部分用于提示判别能力。

在CycleGAN中，我们将负对数似然改为最小二乘损失，这种损失在训练期间更稳定，并产生更高质量的结果。在优化生成器G的时候引入循环一致性损失$L_{cyc}$和同一性损失$L_{identity}$作为正则化项。

• $L_G={\mathbb{E}}_{x\sim p_{data}(x)}[(1-D_Y(G(x)){)}^2]$
• $L_F={\mathbb{E}}_{y\sim p_{data}(y)}[(1-D_X(F(y)){)}^2]$
• $L_{D_Y}={\mathbb{E}}_{x\sim p_{data}(x)}[D(G(x){)}^2]+{\mathbb{E}}_{y\sim p_{data}(y)}[(1-D(y)){)}^2]$
• $L_{D_X}={\mathbb{E}}_{y\sim p_{data}(y)}[D(F(y)$