CycleGAN实现图像风格迁移的神作

最新推荐文章于 2025-06-22 23:01:19 发布

汐梦聆海

最新推荐文章于 2025-06-22 23:01:19 发布

阅读量7.9k

点赞数 5

CC 4.0 BY-SA版权

分类专栏： GAN

本文链接：https://blog.youkuaiyun.com/jackzhang11/article/details/106055333

GAN 专栏收录该内容

5 篇文章

订阅专栏

论文链接：http://openaccess.thecvf.com/content_ICCV_2017/papers/Zhu_Unpaired_Image-To-Image_Translation_ICCV_2017_paper.pdf

在CycleGAN出现之前，pix2pix网络在处理image-image translation问题上比较state-of-the-art。但是pix2pix需要利用成对（pair）的数据进行模型训练，如下图所示：
在这里插入图片描述
成对的数据在自然界中是非常稀有的，因此pix2pix对数据的要求很高，一般而言不具备通用性。CycleGAN的出现可以解决这一问题，也就是说，CycleGAN可利用unpaired数据，在source domain $X$ 和target domain $Y$ 之间建立一个映射： $G:X→YG:X\rightarrow Y$ ，从而使得源域 $X$ 的图像转化为与目标域 $Y$ 分布相似的图像。也就是说，图像 $G (X)$ 无法被分辨出是从 $Y$ 中采样的还是由 $G$ 生成的。

通过这个操作，我们就可以将自然图像转化为具有莫奈风格的图像，可以将斑马转变成普通的骏马，将冬天转变为夏天等等。也就是说，CycleGAN可以实现图像的风格迁移，更广义地来说，实现了图像间的翻译。

但是如果仅有 $G:X→YG:X\rightarrow Y$ ，显然是不能完成这一任务的。因为这个映射只能确保 $G (X)$ 神似目标域 $Y$ 中的样本，并不能确保它与生成前的图像是对应的。举个不太恰当例子，现在的源域 $X$ 表示“中文”，目标域 $Y$ 表示“英文”。从 $X$ 中采样一个样本「你好吗」，经过 $G:X→YG:X\rightarrow Y$ 得到的 $G (X)$ 理应是「How are you」。但是，由于该映射只是希望 $G (X)$ 拥有目标域“英文”的特征，所以它可以是任意一句英文，如「I’m fine」。这样就失去了translation的意义。同时，GAN网络为了保证最小化Loss，宁愿所有样本的都生成同一个输出，也不会冒险去生成多样的结果，这就造成了Mode Collapse.

为了解决这个问题，CycleGAN中引入了循环一致性损失。仅仅有 $G:X→YG:X\rightarrow Y$ 是不够的，还需要再引入一个映射 $F:Y→XF:Y\rightarrow X$ ，以将 $G (X)$ 重新映射回源域 $X$ ，并衡量 $F (G (X))$ 与 $X$ 之间的差距，希望这个差距越小越好。这种思想相当于是一种Autoencoder， $G (X)$ 相当于AE中的编码，如果这个编码能够还原出与 $X$ 相似的 $F (G (X))$ ，那么就可以认为 $G (X)$ 虽然接近目标域分布 $Y$ ，但原始图像上的语义特征并没丢失。

有了这一重约束，上面例子中的「你好吗」就不会翻译成「I’m fine」，因为「I’m fine」的语义特征和「你好吗」不同，不易从「I’m fine」还原到「你好吗」。

因此，整个网络的模型架构如下图所示：
在这里插入图片描述
图（a）展示的是 $G:X→YG:X\rightarrow Y$ 和 $F:Y→XF:Y\rightarrow X$ 两个生成器映射过程， $D_{Y}$ 鉴别的是 $G (X)$ 属于目标域分布 $Y$ 的确定性，和GAN中的鉴别器原理一致； $D_{X}$ 与之同理；图（b）展示的正向循环一致性损失，即 $x→G(x)→F(G(x))≈xx\rightarrow G(x)\rightarrow F(G(x))\approx x$ ；图（c）展示的反向循环一致性损失，即 $y→F(y)→G(F(y))≈yy\rightarrow F(y)\rightarrow G(F(y))\approx y$ 。

因此整个训练过程的损失函数定义如下：

$L(G,F,DX,DY)=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F)L(G,F,D_{X},D_{Y})=L_{GAN}(G,D_{Y},X,Y)+L_{GAN}(F,D_{X},Y,X)+\lambda L_{cyc}(G,F)$

其中前两项是常规生成对抗网络中的损失函数，最后一项是循环一致性损失函数， $λ\lambda$ 是一个调节系数。对于前两项，这里采用了LSGAN的思想，可以进一步表达为：

$LLSGAN(G,DY,X,Y)=Ey∼pdata(y)[(DY(y)−1)2]+Ex∼pdata(x)[DY(G(x))2]L_{LSGAN}(G,D_{Y},X,Y)=E_{y\sim p_{data}(y)}[(D_{Y}(y)-1)^{2}]+E_{x\sim p_{data}(x)}[D_{Y}(G(x))^{2}]$

$LLSGAN(F,DX,X,Y)=Ex∼pdata(x)[(DX(x)−1)2]+Ey∼pdata(y)[DX(G(y))2]L_{LSGAN}(F,D_{X},X,Y)=E_{x\sim p_{data}(x)}[(D_{X}(x)-1)^{2}]+E_{y\sim p_{data}(y)}[D_{X}(G(y))^{2}]$

对于循环一致性损失，其相当于自动编码器的重构误差，可以表达为：

$Lcyc(G,F)=Ex∼pdata(x)[∣∣F(G(x))−x∣∣1]+Ey∼pdata(y)[∣∣G(F(y))−y∣∣1]L_{cyc}(G,F)=E_{x\sim p_{data}(x)}[||F(G(x))-x||_{1}]+E_{y\sim p_{data}(y)}[||G(F(y))-y||_{1}]$

CycleGAN的理论到这里就差不多了，可以看出理论并不是很复杂，而是非常精妙。巧妙的引入了循环一致性改变了网络的结构，不再需要成对的数据，从而使得CycleGAN非常的generalized。下面是论文中CycleGAN的一些实验结果：
在这里插入图片描述
根据上图，CycleGAN可以实现斑马和马，冬天夏天即橙子苹果间的转换，论文中还做了很多有趣的实验，如图像增强，将随机拍摄的自然图像转换为专业的摄影图片，或融入莫奈的画风。

但是CycleGAN仍然存在一些问题，例如在将马转化为斑马的时候，很可能会将骑马的人也加上斑纹。因为原始训练集都是大自然中的马，因此模型学习不到人的相关知识。笔者也做过CycleGAN的实验，发现有些时候模型会将一些比较突出的背景也加上斑纹，如石头，醒目的植物等等，因此在稳定性方面还是有提升空间的。此外，CycleGAN不易实现形状的改变，比如将猫改成狗，外表形状上必然要发生变化，而CycleGAN不易实现，这也是可以改进之处。