編者按：幾個(gè)月前，論智介紹了圖像生成領(lǐng)域的一個(gè)巨大進(jìn)展：SAGAN。在那篇論文中，羅格斯大學(xué)和Google Brain的研究人員大膽把NLP中的self-attention模型引入GAN，解決了特征記憶問題，把圖像生成的初始分?jǐn)?shù)（IS）從36.8一下提到了52.52。而近日，一篇ICLR 2019的Open Review論文（赫瑞-瓦特大學(xué)&DeepMind）帶來了更震撼結(jié)果，他們把IS一下子提高了一百多分，從52.52提升到了166.3。

摘要

盡管學(xué)界在生成圖像建模上取得了不小進(jìn)展，但從像ImageNet這樣的復(fù)雜數(shù)據(jù)集中成功生成高分辨率、多樣化的樣本仍然是一個(gè)難以實(shí)現(xiàn)的目標(biāo)。為此，我們以至今最大規(guī)模訓(xùn)練了生成對抗網(wǎng)絡(luò)（GAN），并研究了這種規(guī)模所特有的不穩(wěn)定性。研究發(fā)現(xiàn)，通過在生成器上使用正交正則化，我們可以讓它適應(yīng)簡單的“截?cái)嗉记伞?，即允許利用“截?cái)唷睗撛诳臻g來精確控制樣本保真度和多樣性之間的權(quán)衡。

我們的修改使模型的性能達(dá)到了新高度。當(dāng)我們在ImageNet上用128×128分辨率的圖像進(jìn)行訓(xùn)練時(shí)，我們的模型（BigGAN）的IS為166.3，F(xiàn)ID為9.6，而之前的最佳記錄是IS 52.52，F(xiàn)ID 18.65。

簡介

近年來，生成圖像建模領(lǐng)域出現(xiàn)了不少成果，其中最前沿的是GAN，它能直接從數(shù)據(jù)中學(xué)習(xí)，生成高保真、多樣化的圖像。雖然GAN的訓(xùn)練是動(dòng)態(tài)的，而且對各方面的設(shè)置都很敏感（從優(yōu)化參數(shù)到模型架構(gòu)），但大量研究已經(jīng)證實(shí)，這種方法可以在各種環(huán)境中穩(wěn)定訓(xùn)練。

盡管取得了這些進(jìn)步，當(dāng)前生成圖像模型在ImageNet數(shù)據(jù)集上的表現(xiàn)還是很一般，最高IS只有52.52，而真實(shí)圖像數(shù)據(jù)的得分高達(dá)233。

在這篇論文中，研究人員通過一系列修改，縮小了GAN生成的圖像和ImageNet中的真實(shí)圖像之間的差異，他們做出的貢獻(xiàn)主要有以下三點(diǎn)：

證明GAN能從大規(guī)模訓(xùn)練中受益。通過對體系結(jié)構(gòu)做了兩個(gè)簡單修改，他們在訓(xùn)練過程中使用的參數(shù)量是現(xiàn)有研究的2-4倍，batch size是8倍，但模型性能有顯著提高。

作為改進(jìn)的副作用，新模型非常適合“截?cái)嗉记伞?，即精確控制樣本保真度和多樣性之間的權(quán)衡。

發(fā)現(xiàn)大規(guī)模GAN的特有不穩(wěn)定性，并根據(jù)經(jīng)驗(yàn)進(jìn)行表征。根據(jù)分析所得，他們認(rèn)為把新方法和現(xiàn)有技術(shù)結(jié)合可以緩解這種不穩(wěn)定性，但如果要實(shí)現(xiàn)完全的穩(wěn)定訓(xùn)練，這會(huì)大大有損性能。

主要改進(jìn)

本文提出的BigGAN遵循了SAGAN的基本架構(gòu)，它基于ResNet，但判別器D中的通道和一般ResNet不同，每個(gè)模塊的第一個(gè)卷積層的filter數(shù)量等于輸出的filter數(shù)，而不是輸入數(shù)。

在128×128 ImageNet數(shù)據(jù)上的架構(gòu)

研究人員首先簡單增加了基線模型的batch size，這樣做的效果如下表所示。隨著batch size逐漸變?yōu)榛€的2倍、4倍、8倍，模型的FID不斷下降，IS不斷增加，至8倍時(shí)，BigGAN的IS較SAGAN已經(jīng)提高了約46%。對于這個(gè)結(jié)果，他們提出的一個(gè)猜想是更大的batch size意味著每個(gè)batch覆蓋的模式更多，這為兩個(gè)神經(jīng)網(wǎng)絡(luò)提供了更好的梯度。

但這么做也有缺點(diǎn)，就是雖然模型能在更少的迭代中達(dá)到更好的最終性能，但它很不穩(wěn)定，甚至?xí)谟?xùn)練時(shí)崩潰。

各batch size下BigGAN的IS（越高越好）和FID（越低越好）

之后，他們又把神經(jīng)網(wǎng)絡(luò)每一層的通道數(shù)在原有基礎(chǔ)上增加了50%，這時(shí)每個(gè)神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量也幾乎翻了一倍。當(dāng)BigGAN的參數(shù)數(shù)量是SAGAN的兩倍時(shí)，它的IS較后者提高了約21%。對此，他們給出的解釋是，相對于數(shù)據(jù)集的復(fù)雜性，模型的容量增加了。而增加神經(jīng)網(wǎng)絡(luò)深度不會(huì)產(chǎn)生相似效果，反而會(huì)降低最終性能。

考慮到生成器G中conditional BatchNorm layer的類嵌入c包含大量權(quán)重，他們不再為每個(gè)嵌入分別設(shè)置一個(gè)層，而是使用了一個(gè)共享嵌入，由它投影到每一層。這降低了計(jì)算和存儲(chǔ)成本，并把訓(xùn)練速度提高了37%。同時(shí)，他們使用了分層潛在空間的變體，把噪聲向量z饋送進(jìn)生成器的多個(gè)層，直接影響不同分辨率和層次結(jié)構(gòu)級別的特征。

(a)常規(guī)生成器架構(gòu)；(b)生成器中的殘差塊

生成效果

BigGAN生成的各個(gè)類別的圖像

BigGAN生成的256×256的圖像

BigGAN生成的512×512的圖像

上面是論文呈現(xiàn)的一些生成圖像。雖然其他GAN也能精選一些不錯(cuò)的圖，但對比細(xì)節(jié)，BigGAN在質(zhì)地、光影、外形等方面的表現(xiàn)都優(yōu)于以往成果。而且就SAGAN強(qiáng)調(diào)的腿部生成效果來看，上圖中公雞的腿不突兀、更自然，和真實(shí)圖像難以區(qū)分。