文献阅读·StarGAN

jiangweijie1981 · 简书 · · 2020-02-19 21:41

文章预览

简介

Stargan: Unified generative adversarial networks for multi-domain image-to-image translation.CVPR-2018,Cited-690.
官方开源，是pytorch版本的： https://github.com/yunjey/StarGAN

关键字

风格迁移，GAN，深度学习，机器学习

正文

1. 任务

StraGAN目标是多个域之间的图像可以相互转换，与CycleGAN不同的是StraGAN转换域只需要一个模型就可以实现，其基本思路可以想象成CycleGAN的输入输出各自加上个域开关，使用这个开关来指示域转换的方向。用个图（文献Figure3）来表示：

思路和结构.png

从图上可以看出在生成器增加了个目标域标记输入，输入样本 $x$ 时附加上目标域标记 $c$ ；判别器增加了域标记判别的输出，即在判别生成的样本 $\tilde x$ 时，需要判别 $\tilde x$ 的真假外，还需要判别 $\tilde x$ 的属于哪个域。

2. 损失和训练过程

损失有3个构成：对抗损失 $L_{adv}$ 对应传统GAN的损失，使用二分类损失计算； $L_{cls}$ 域损失对应判别域标签的损失，使用交叉熵或多个二分类损失来计算；循环一致性损失 $L_{rec}$ ，和CycleGAN一样使用 $L_1$ 来计算。

训练过程包含2个，更新 $G，D$ 参数时使用的目标函数分别如下：

$\begin{align} & L_D=-L_{adv}+\lambda_{cls}L_{cls}^r\\ & L_G=L_{adv}+\lambda_{cls}L_{cls}^r+\lambda_{rec}L_{rec} \end{align}$

3. 多数据集联合训练

为了发挥StarGAN的优势，可以同时训练多个数据集，但是多个数据集包含的属性未必相同，在训练过程中不仅对每个数据集的属性进行了编码，还增加了一个Mask来指示数据域，如图（文献Figure8），更加具体的可以参考开源。

多集训练.png

4. 效果

放个文献的图（文献Figure1）：

效果.png

参考资料

[1] Choi, Yunjey, et al. "Stargan: Unified generative adversarial networks for multi-domain image-to-image translation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

………………………………

原文地址：访问原文地址
快照地址：访问文章快照
总结与预览地址：访问总结与预览

分享到微博