对抗生成网络GAN系列——CycleGAN简介及图片春冬变换案例
🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题
🍊往期回顾：对抗生成网络GAN系列——GAN原理及手写数字生成小案例 对抗生成网络GAN系列——DCGAN简介及人脸图像生成案例
🍊近期目标：写好专栏的每一篇文章
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩
文章目录
- 对抗生成网络GAN系列——CycleGAN简介及风景照春冬变换案例
- 写在前面
- CycleGAN核心思想
- CycleGAN损失函数
- CycleGAN图像夏冬转换案例
- 论文下载
- 参考连接
对抗生成网络GAN系列——CycleGAN简介及风景照春冬变换案例
写在前面
在前面我们已经介绍过了最原始的GAN网络和DCGAN，这篇文章我将来为大家介绍CycleGAN，并且基于CycleGAN实现一个小demo——将一张图片进行季节转换，即从冬天变换到夏天和从夏天变换到冬天。🍹🍹🍹
大家已经看到了CycleGAN，应该对GAN已经有了一定的了解，因此我不会对GAN的原理进行详细的讲解，只会叙述CycleGAN的独到之处。如若你还对GAN的原理不够清楚，下列两篇文章获取能帮到您：
- 对抗生成网络GAN系列——GAN原理及手写数字生成小案例 🍁🍁🍁
- 对抗生成网络GAN系列——DCGAN简介及人脸图像生成案例 🍁🍁🍁
在正式讲解之前，我给大家先展示一下CycleGAN可以做哪些事：
准备好了嘛，下面就正式发车了。🚖🚖🚖
CycleGAN核心思想
这一部分我会来介绍CycleGAN的核心思想，相信你了解后会和我有一样的感觉，那就是这个设计太巧妙了！！！🌼🌼🌼
首先我们还是来介绍一下这篇论文的全称—— Unpaired Image-to-Image Translationusing Cycle-Consistent Adversarial Networks，即非成对图像转换循环一致性对抗网络。我们一点点的来解释，首先什么是非对称图像呢？其实啊，这里的非对称图像指的是我们的训练样本是不相关的。在之前的一些GAN转换实验中，往往都需要成对的图片数据，例如pix2pix，而成对的图片数据是很难获取的，于是CycleGAN对数据的要求就大大降低，不需要成对图像，即非对称图像，这样就让CycleGAN的应用场景就变得非常丰富。下图展示了对称数据和非对称数据的区别：
接下来再来讲讲什么是循环一致性对抗网络？这个就是本文的核心思想，听懂这个那么这篇论文你就搞懂了，这就为大家慢慢道来！！！🌼🌼🌼
我们先来明确一下这篇文章的目标，即有两个域的图像，分别为域X和域Y，例如域X表示夏季图片、域Y表示冬季图片，现期望将这两个域的图片互相转换，即输入域X的夏季图片生成器输出域Y的冬季图片或输入域Y的冬季图片生成器输出域X的夏季图片。我们来考虑考虑传统的GAN网络能否完成这项任务，示意图如下：
域X的图片经生成器G不断生成图片G(x)，而 D Y D_Y DY 鉴别生成的图片和域Y中的图片，这样就构成了一个GAN网络，这样看似乎也可以完成任务，会将域X中的图片不断像域Y转换，但是呢，大家能否看出这里似乎还是存在着一些漏洞，如下图所示：
上图我们的确是将域X中图片转换成了域Y中冬季图片风格，但是你会发现转换后的图片和原始图片没有任何关系，即GAN网络只学到了把一张夏季图片传化为冬季图片，但至于转换后的冬季图片和原始夏季图片有没有关系没有学习到，这样的话这个网络肯定是不符合实际要求的。那么CycleGAN就提出了循环一致性网络，如下图所示：
现对上图做相关解释，首先我们先对相关字母做一定了解，如下表所示：
| x x x | 域X中的图像数据 |
|---|---|
| Y ^ {\rm{\hat Y}} Y^ | x x x经生成器 G G G生成的图片域 |
| x ^ {\rm{\hat x}} x^ | Y ^ {\rm{\hat Y}} Y^ 中图片经生成器 F F F生成的数据 |
| G G G | 生成器，用于将图片从域 X X X到域 Y Y Y生成 |
| F F F | 生成器，用于将图片从域 Y Y Y到域 X X X生成 |
| D Y D_Y DY | 判别器，用于判别图片是来自域 Y Y Y还是 G ( x ) G(x) G(x) |
说明了这些字母后，我们来看上图：首先域 X X X中的数据 x x x经过生成器 G G G会变成 Y ^ {\rm{\hat Y}} Y^ 中的图片 y ^ {\rm{\hat y}} y^ ，即现在夏季的图片已经转换成冬季的图片，不过此时夏冬两季图片的相关性我们是不知的，可能很差，而我们期望夏冬两季的图片相关性强，即区别只会体现在季节的差异上。于是我们会将 Y ^ {\rm{\hat Y}} Y^ 中的图片 y ^ {\rm{\hat y}} y^ 再经过生成器 F F F变换回来，即将冬季图片再转换成夏季图片，结果记为 x ^ {\rm{\hat x}} x^ 。然后我们就设置损失让 x x x和 x ^ {\rm{\hat x}} x^ 尽可能一样，这样就能控制生成器G生成的冬季图片和原始夏季图片相关性很强了。上述循环一致性大致过程为： x → G ( x ) → F ( G ( x ) ) ≈ x ^ x \to G(x) \to F(G(x)) \approx \hat x x→G(x)→F(G(x))≈x^ ，即让 x x x和 x ^ {\rm{\hat x}} x^尽可能相似。
上文介绍完了从域 X X X转域 Y Y Y的过程，那从域 X X X转域 Y Y Y是一样的，即尽可能让 y y y 和 y ^ {\rm{\hat y}} y^ 相似【 y → F ( y ) → G ( F ( y ) ) ≈ y ^ y \to F(y) \to G(F(y)) \approx \hat y y→F(y)→G(F(y))≈y^】，过程如下：
其实这样就把CycleGAN的核心思想都介绍完了，这里再贴上论文中关于这部分的一张完整的图供大家参考：
CycleGAN损失函数
其实介绍完理论部分，那么损失函数就很简单了，一共有三部分组成，如下表所示：【呜呜呜，这里编辑的markdown表格在网页中显示总是乱码，大家将就看一下图片吧🎃】
而总的损失为上述三部分之和，公式如下：
L ( G , F , D X , D Y ) = L G A N ( G , D Y , X , Y ) + L G A N ( G , D X , Y , X ) + λ L c y c ( G , F ) L(G,F,{D_X},{D_Y}) = {L_{GAN}}(G,{D_Y},X,Y) + {L_{GAN}}(G,{D_X},Y,X) + \lambda {L_{cyc}}(G,F) L(G,F,DX,DY)=LGAN(G,DY,X,Y)+LGAN(G,DX,Y,X)+λLcyc(G,F)
其中 λ \lambda λ 表示循环一致损失所占比重，论文中设置 λ = 10 \lambda = 10 λ=10。
CycleGAN图像夏冬转换案例
实验论文中也给除了Github地址，连接如下：CycleGAN 🍁🍁🍁
这里我就不带大家一点点的解读代码了，相信你阅读了我之前的文章看这个代码应该能大致了解，我之前几期做过一些代码的解读，但是我自己觉得描述并不算很清晰，有的想要表达的点也没有表述清楚，所以我觉得代码部分大家还是看视频讲解比较高效，但是不论怎样，阅读代码你一定要自己亲自调试调试，这样你会有很大的收获！！！
这里我就放一张我运行的结果图片，从夏季转换到冬季，如下：
可以看出，变换的效果还是不错的。【注意：我只再Googleclab上训练了15个epoch就得动了这样的效果，大家可以增大epoch进行训练。】
论文下载
CycleGAN论文下载 🍁🍁🍁
参考连接
精读CycleGAN论文
生成式對抗網路 (Generative Adversarial Network, GAN) (四) – Cycle GAN
如若文章对你有所帮助，那就🛴🛴🛴
