【论文笔记】—生成对抗网络—GAN—2014-NIPS_最早 生成对抗网络 论文

论文介绍

生成对抗神经网络GAN开山之作论文。

论文作者为“生成对抗网络之父”Ian Goodfellow和图灵奖得主Youshua Bengio。

GAN近年来成为人工智能和深度学习的热门研究领域。GAN广泛应用于图像生成、风格迁移、AI艺术、黑白老照片上色修复。你可以使用GAN实现照片转成油画、野马转成斑马、黑夜转成白天，简笔画的猫转成真猫，模糊图像转成高清图像等酷炫好玩的应用。

​题目：Generative Adversarial Nets
 
EID：arXiv:1406.2661
DOI：10.5555/2969033.2969125
 
时间：2014-06-10上传于arxiv
期刊：2014 27th International Conference on Neural Information Processing Systems（NIPS）
作者：Ian J. Goodfellow（加拿大-蒙特利尔大学）
 
论文链接：https://arxiv.org/abs/1406.2661
代码链接：http://www.github.com/goodfeli/adversarial
作者主页：https://www.iangoodfellow.com/

GAN Lab网页：https://poloclub.github.io/ganlab/
OpenMMLab图像生成开源算法库MMGeneration：https://github.com/open-mmlab/mmgeneration 

基本原理

生成器网络和判别器网络的彼此博弈。

GAN 主要就是两个网络组成，生成器网络(Generator)和判别器网络(Discriminator)，通过这两个网络的互相博弈，让生成器网络最终能够学习到输入数据的分布，这也就是 GAN 想达到的目的--学习输入数据的分布。

D 是判别器，负责对输入的真实数据和由 G 生成的假数据进行判断，其输出是 0 和 1，即它本质上是一个二值分类器，目标就是对输入为真实数据输出是 1，对假数据的输入，输出是 0；

G 是生成器，它接收的是一个随机噪声，并生成图像。

在训练的过程中，G 的目标是尽可能生成足够真实的数据去迷惑 D，而 D 就是要将 G 生成的图片都辨别出来，这样两者就是互相博弈，最终是要达到一个平衡，也就是纳什均衡。

GAN网络模型

生成对抗网络 (GAN)将训练过程视为两个独立网络之间的游戏：判别器试图将样本分类为来自真实分布的样本p(x)或模型分布P(x)，每次判别器注意到两个分布之间的差异时，生成器都会稍微调整其参数以使其消失，直到最后（理论上）生成器准确地再现了真实的数据分布，使判别器无法找到一个区别。

对输入图像进行迭代的梯度下降修改，生成一些噪声加在原来图像，使神经网络的输出结果指鹿为马。

1. GAN模型设计是一个可微分函数。
2. 通过一个对抗过程来估计生成过程。
3. 同时训练2个模型：一个生成模型G用于捕捉数据分布，一个判别模型D用于估计训练数据的概率。

生成模型：

 

对抗网络框架：

G试图通过生成D难以与数据区分开来的样本来“欺骗”D。

1. 训练K次判别器，训练一次生成器。
2. 判别器引导生成器生成更逼真的图像。
3. 生成器试图最大化使鉴别器将其输入误认为是真实的概率。
4. 生成器不是直接用原始数据拟合，而是用判别器间接训练（避免过拟合）。
5. 生成器和判别器一起训练，否则会出现“the Helvetica scenario”模式崩溃的现象（G尝到甜头，不再进化，生成的图像都一样）。
6. 生成器不是要真的生成假数据而是要欺骗判别器D（举例：枯叶蝶）

最大最小函数：

通过生成过程反向传播导数，生成过程参考以下观测函数: 

左边：maxD 给定G找到使V最大化的D，minG 给定D找到使V最小化的G；
前项：判别器输入真实数据时，输出越大越好；
后项：判别器输入假数据时，输出越小越好。

y=log(1-x)函数图像（默认底数为10）

在x[0,1]的范围内，x越接近1，y越小。

把x替换成D(G(x))，意味着，D(G(x))越接近1（生成器生成的假图被判别器误认为真图的概率越大），y越小（minG：给定D找到使V最小化的G）。

最优判别器：

学习过程：

pD(data)：判别器判别数据为真实数据的概率；
Data distribution：真实数据的分布；
Model distribution：生成器生成数据的分布；

1. 噪声空间Z（均匀分布随机数）生成的假图像与真图像在判别器下的分布概率pD(data)。
2. 在算法的内环中，D被用于训练区分样本和数据，趋同于最优判别器D(x)。
3. 在对G进行更新后，D的梯度引导G(z)流向更有可能被分类为数据的区域。
4. 经过几个步骤的训练后，如果G和D有足够的能力，此时他们将达到一个点，在该点处两者均不能提高，因为p g=p data。此时判别器不能够去区分这两个分布，因为D(x)=1/2。

实验结果

图2：模型样本的可视化。

第五列：GAN生成的数据（生成的数据是非常逼真的）
第六列：和GAN生成最接近的训练数据，以证明模型尚未记住训练集。

输入噪声渐变，生成图像也跟着渐变。

一维：图3-通过在完整模型的 z 空间中的坐标之间进行线性插值而获得的数字。

二维：Learned 2-D manifold of MNIST的可视化轨迹

Quantitative likelihood results：

在两个不同的数据集上生成数据的逼真程度（均值越大越好），均值+方差，本文Adversarial nets

1、GAN和对抗样本的区别：

GAN：对输入图像进行迭代修改，误导分类神经网络“指鹿为马”；

对抗样本：只修改输入图像，不用于训练网络。

2、GAN和VAE（变分自动编码器）的区别：

GAN优势：

1. 根据实际的结果，它们看上去可以比其它模型产生了更好的样本（图像更锐利、清晰）。
2. GAN 模型只用到了反向传播，而不需要马尔科夫链反复采样，回避了近似计算棘手的概率的难题。
3. 训练时不需要对隐变量做推断
4. 理论上,只要是可微分函数都可以用于构建 D 和 G ,因为能够与深度神经网络结合做深度生成式模型
5. G 的参数更新不是直接来自数据样本,而是使用来自 D 的反向传播
6. 相比其他生成模型（VAE、玻尔兹曼机），可以生成更好的生成样本
7. GAN 是一种半监督学习模型，对训练集不需要太多有标签的数据；
8. 没有必要遵循任何种类的因子分解去设计模型,所有的生成器和鉴别器都可以正常工作

GAN存在问题：

1. 解决不收敛（non-convergence）的问题
2. 难以训练：崩溃问题（collapse problem）：生成器开始退化
3. 无需预先建模，模型过于自由不可控

参考资料：

反向传播：Neural networks and deep learning

生成模型：Generative Models

参考博客：A Short Introduction to Generative Adversarial Networks - Thalles' blog

作者演讲：https://www.iangoodfellow.com/slides/2015_icml_gans_wkshp_invited.pdf

参考博客：https://blog.csdn.net/solomon1558/article/details/52549409

论文精读：生成对抗网络GAN开山之作论文精读_哔哩哔哩_bilibili

知乎讲解：[GAN学习系列] 初识GAN - 知乎