27、生成对抗网络在图像转换与组织学染色中的应用

生成对抗网络在图像转换与组织学染色中的应用

1. 生成对抗网络基础

生成对抗网络（GAN）由生成器（G）和判别器（D）组成，它们进行一个二人的极小 - 极大博弈以寻求纳什均衡。训练好的判别器 D 会最大化输入分布中图像 x 的概率 D(x)。从先验分布 p(z) 中抽取样本 z 输入到生成器 G，未训练的生成器输出的 G(z) 显然不属于输入分布，会被判别器判定为假图像，即 D(G(z)) 远小于 1。生成器 G 经过训练，使得 D(G(z)) 最大化，最终生成与真实数据分布相符的样本。

2. 原始 GAN 的改进

原始 GAN 虽然比同时期的其他模型有优势，但仍存在一些问题：
- 生成器网络可能不如判别器网络改进得快，导致生成的图像不理想。
- 生成器可能只生成有限类别的样本，即模式崩溃。
- 网络使用反向传播算法训练，需要计算梯度，存在不稳定梯度和消失梯度的问题。

为了解决这些问题，需要进行超参数优化，平衡生成器和判别器的改进速度。同时，也有许多对架构、批量训练和避免模式崩溃的技术改进被提出。

3. 深度卷积生成对抗网络（DCGAN）

DCGAN 由 Radford 等人提出，在从多模态真实世界数据中生成自然图像方面有显著改进。它采取了以下步骤提高效率：
- 使用步幅卷积代替最大池化进行下采样。
- 采用批量归一化确保零均值和单位方差。
- 判别器使用 Leaky ReLU 激活函数。
- 使用 Inception 分数评估效率。

DCGAN 在 ImageNet、人脸和 CIFAR10 数据集上的图像生成有改进，但在医