别人家的高中生：入大学前，Ta详细梳理了GAN的发展脉络

昨天，reddit 上出现了一个关于梳理 GAN 发展脉络的博客，作者在博客中详细梳理了过去几年的 GAN 发展历程，包含众多 SOTA 论文及其代码和对应的学习资源。难能可贵的是，博客作者三月份才刚高中毕业，然后利用上大学之前的时间完成了这篇文章。

目前，作者已被伊利诺伊大学香槟分校（University of Illinois at Urbana-Champaign）录取并将于今年秋天入学。

如果你是一名 GAN 的入门学习者，那么这份材料可以帮你迅速理 GAN 发布以来的研究进展。

博客地址：https://blog.floydhub.com/gans-story-so-far/

作者在梳理过程中发现，GAN 的确是一个发展迅速的领域，短短五年就从模糊的灰度像素阵列发展到高度逼真的生成图像，让人无法一眼识别是真是假。

但领域越火，「水」论文的人可能就越多，因此从众多所谓「SOTA」论文中挑出真正做出实质性改进的「SOTA」就显得非常有必要。

一位读者在看完博客后表示，「比起那些最新 SOTA 文章，我更欣赏这种回顾性质的 SOTA 梳理……经常有人抱怨说，有些人只是对 GAN 进行了微小的调整，在 SOTA 基础上前进了一小步，然后就把论文发出去了，并声称『这是最新的 SOTA！』。这其实只是对别人研究的一种重复。因此，如果有更多这种 SOTA 的回顾性文章，就可以过滤掉那些水论文。通过这种回顾可以更加容易地评价那些新出现的研究。」

从 GAN 到 StyleGAN

首先，作者以发展路线图的形式梳理了这几年出现的比较有影响力的 GAN，从最初的 Goodfellow 版 GAN 到近来大火的 BigGAN、StyleGAN 等，博客的后续内容也是按照这张图的顺序进行的。

GAN 路线图。

Goodfellow 版 GAN

GAN 是由 Goodfellow 等人于 2014 年提出的（目前公认的说法）。其基本思想可以概括为：

GAN 包含两个神经网络，一个神经网络尝试生成真实的数据（主要是图片，也可能是其他数据的分布），而另一个网络尝试判别真实的和生成的数据。

标准的生成对抗网络结构。

这场「猫捉老鼠」的游戏会一直继续下去，直到系统达到所谓的「平衡」，即生成器生成的数据以假乱真到判别器无法判别。

Goodfellow 等人 2014 年提出的 GAN 生成的图像。

• 论文地址：https://arxiv.org/abs/1406.2661

• 代码实现地址：https://github.com/goodfeli/adversarial

• 其他资源：https://arxiv.org/abs/1701.00160

DCGAN: 深度卷积生成对抗网络

DCGAN 的思路可以简单概括为：

• 卷积神经网络=处理图像效果好

• 生成对抗网络=生成数据效果好

• ⟹卷积神经网络+生成对抗网络=生成图像效果好

标准的 GAN 使用 多层感知机 作为网络结构。但是考虑到卷积神经网络在获取图像特征方面的效果，DCGAN 采用了它作为主要网络结构。同时，DCGAN 稍微做了一些调整，使用了转置卷积操作（transposed convolution operation），它的另一个名字是 Deconvolution。转置卷积帮助图像从低清晰度向高清晰度转换，同样的，采用多层转置卷积可以使图像变得生动多彩。

卷积核的工作原理。通过卷积方式将稀疏的图像矩阵转换为密集矩阵。

DCGAN 生成的图片。较 GAN 更清晰，有更多色彩。

• 论文地址：https://arxiv.org/abs/1511.06434

• 代码实现地址：https://github.com/floydhub/dcgan

• 其他资源：https://towardsdatascience.com/up-sampling-with-transposed-convolution-9ae4f2df52d0

CGAN: 条件生成对抗网络

原始的 GAN 从噪声中生成图片。因此，如果训练的是一类图（例如，狗），其能生成这一类图片。但是，如果训练中同时有很多类（例如，狗和猫都有）图片，则生成的图片是这些图片模糊的混合。而 CGAN 可以让用户指定生成的图片分类。

具体的，CGAN 将 one-hot 向量 y 和随机噪声向量 z 拼接，组成如下的结构：

使用 CGAN 可以生成指定的 MNIST 数字。

• 论文地址：https://arxiv.org/abs/1411.1784 (https://arxiv.org/abs/1511.06434)

• 代码实现地址：https://github.com/PacktPublishing/Advanced-Deep-Learning-with-Keras (https://github.com/floydhub/dcgan)

• 其他资源：https://wiseodd.github.io/techblog/2016/12/24/conditional-gan-tensorflow/

CycleGAN

利用 GAN 变体CycleGAN进行风格迁移。

GAN 不仅可以用来生成图像，还可以创造「马+斑马」这种叠加效果的图像，CycleGAN解决的就是这种问题，即图像到图像的转换。

CycleGAN 包含两个生成器（G 和 F）和两个判别器（D_X 和 D_Y）。G 从 X 中得到一张图像，并尝试将其映射到 Y 中的某个图像。判别器 D_Y 预测一张图像究竟是由 G 生成的还是 Y 中的真实图像。

F 也进行类似的操作，即从 Y 中得到一张图像，并尝试将其映射到 X 中的某个图像。判别器 D_X 预测一张图像究竟是由 F 生成的还是 X 中的真实图像。

所有四个网络都是用普通 GAN 的方式训练的，直到得到强大的生成器 G 和 F，生成的图像分别骗过 D_X 和 D_Y。

CycleGAN的结构。

利用CycleGAN将画家的画风移植到照片上。

• 论文地址：https://arxiv.org/abs/1703.10593v6

• 代码实现地址：https://github.com/junyanz/CycleGAN

CoGAN：成对（Coupled）生成对抗网络

想要更好的结果？为什么不试试两个 GAN？

CoGAN 的原作者这样解释：

「在这个系统中，有两个队伍，每个队伍有两个队员。生成模型是其中一个队，生成一个不属于一类图片的图片对来迷惑判别器队。判别器队尝试将图片的类，以及是否是训练数据或生成数据都判别出来。两个队伍共享权重。」

CoGAN 的结构。

CoGAN 的效果。相比 DCGAN 清晰度更高，更为真实。

• 论文地址：https://arxiv.org/abs/1606.07536

• 代码实现地址：https://github.com/mingyuliutw/CoGAN

• 其他资源：https://wiseodd.github.io/techblog/2017/02/18/coupled_gan/

ProGAN

训练 GAN 有很多问题，其中最大的问题是训练的不稳定性。

有时候，判别器和生成器无法从彼此学习数据。有时候，生成的图片变得非常奇怪。

ProGAN 可以通过逐层提高生成图片的分辨率来用来稳定 GAN 的训练。

这一逻辑是：生成 4x4 的图片比生成 1024x1024 图片要更简单。同时，从 16x16 的图片映射到 32x32 比从 2x2 的图片映射更容易。

因此 ProGAN 首先训练一个 4x4 的生成器和一个 4x4 的判别器，并在训练进程中逐渐增加层数，提高分辨率。

ProGAN 逐渐加深训练的过程。随着网络层数变深，图像越来越清晰。

• 论文地址：https://arxiv.org/abs/1710.10196

• 代码实现地址：https://github.com/tkarras/progressive_growing_of_gans

WGAN：Wasserstein生成对抗网络

WGAN中的「W」指的是 Wasserstein。WGAN提出了一种新的代价函数。

过去 GAN 的 minimax目标函数

而WGAN使用：

GAN 的判别器和WGAN的判别器在学习区分高斯分布数据的情况。GAN 可能会出现梯度消失，但WGAN在空间内始终保持稳健的梯度变化。

新的代价函数在数学上可以防止梯度消失的情况，因此具有更好的训练稳定性。

WGAN（左）和 DCGAN（右）生成房子图片的效果对比。WGAN更稳健，出错更少。

• 论文地址：https://arxiv.org/abs/1701.07875v3

• 代码实现地址：https://github.com/eriklindernoren/Keras-GAN

SAGAN：自注意力生成对抗网络

虽然使用转置卷积的 GAN 可以「扫描」图片的特征映射，但是其只能获得附近的信息。

SAGAN 使用自注意力机制，在全局图像中关注需要注意的特征信息。

SAGAN 使用注意力机制，高亮部位为注意力机制关注的位置。

• 论文地址：https://arxiv.org/abs/1805.08318v1

• 代码实现地址：https://github.com/heykeetae/Self-Attention-GAN

BigGAN：大型生成对抗网络

BigGAN 由DeepMind提出，由于生成效果高度逼真而被誉为「史上最强 GAN图像生成器」。

DeepMind在研究 GAN 时尝试了前无古人的事情。他们用强大的深度学习技术训练 GAN 的网络。

首先，DeepMind使用 SAGAN 作为基线，并添加了光谱特征作为输入。其次，他们将批大小提升了 50%，通道数提升了 20%。同时，研究人员使用了截断方法来提升样本的质量。最终，他们在新的数据集 JFT-300 上进行训练，这是一个类似于 ImageNet 的数据集，但是有 3 亿张图片。

BigGAN 生成的高清晰图片，包含各种类别。

• 论文地址：https://arxiv.org/abs/1809.11096v2

• 代码实现地址：https://github.com/huggingface/pytorch-pretrained-BigGAN

StyleGAN：基于风格的生成对抗网络

StyleGAN 来自英伟达的一项研究，关注的是损失函数、稳定性、架构等。

因此，StyleGAN 没有专注于生成更加逼真的图像，而是致力于提高 GAN 对生成图像的精确控制能力。

为了达到图像风格级别的控制，StyleGAN 使用了适应实例归一化（Adaptive instance normalization）、潜在向量映射网络、不断学习的输入等已有技术。

英伟达 StyleGAN 生成的图像。

• 论文地址：https://arxiv.org/abs/1812.04948

• 代码实现地址：https://github.com/NVlabs/stylegan