0
| 本文作者： 我在思考中 | 2021-10-13 17:29 |
太狂野了！
你永遠(yuǎn)不知道StyleGAN的想象力可以有多強(qiáng)大。
剛剛英偉達(dá)最新推出的升級(jí)版StyleGAN 3，因?yàn)橐唤M合成藝術(shù)作品刷爆Twitter，不少網(wǎng)友感嘆：AI 制造了人類(lèi)無(wú)法理解的恐怖！
StyleGAN生成式對(duì)抗網(wǎng)絡(luò)是一種最先進(jìn)的高分辨率圖像合成方法，從最初的GAN到StyleGAN2變體，其圖像合成能力一直在突破人類(lèi)的想象，而這次升級(jí)版StyleGAN3的對(duì)生成細(xì)節(jié)的把控更是令人驚嘆！
AI科技評(píng)論發(fā)現(xiàn)，這項(xiàng)研究出自英偉達(dá)最新論文《Alias-Free Generative Adversarial Networks》，論文中表明，它從根本上解決了StyleGAN2 圖像坐標(biāo)與特征粘連的問(wèn)題，實(shí)現(xiàn)了真正的圖像平移、旋轉(zhuǎn)等不變性，大幅提高了圖像合成質(zhì)量。
何謂等變性？簡(jiǎn)單理解就是生成的物體和圖像的像素坐標(biāo)沒(méi)關(guān)系，仔細(xì)看下圖：
你會(huì)發(fā)現(xiàn)StyleGAN2生成的動(dòng)物毛發(fā)會(huì)粘在屏幕上，和動(dòng)物的形態(tài)變化不一致。這就是StyleGAN變體一直無(wú)法解決的難題之一。果然魔鬼都在細(xì)節(jié)里！
StyleGAN3的魔力
我們知道，盡管生成式對(duì)抗網(wǎng)絡(luò)具有層級(jí)卷積的性質(zhì)，但由于過(guò)度依賴絕對(duì)像素坐標(biāo)往往會(huì)出現(xiàn)圖像細(xì)節(jié)“粘”在坐標(biāo)上的現(xiàn)象，原因多出自”粗糙“的信號(hào)處理過(guò)程和神經(jīng)網(wǎng)絡(luò)混疊上。
在這項(xiàng)研究中，英偉達(dá)將網(wǎng)絡(luò)中的所有信號(hào)解釋為連續(xù)的，并對(duì)架構(gòu)進(jìn)行輕微調(diào)整保證不需要的信息不會(huì)泄漏到分層合成過(guò)程，最終得到了StyleGAN3，相比于StyleGAN2，它在保證了圖像基本質(zhì)量的同時(shí)，明顯改善了其內(nèi)部的表示方式——即使在亞像素尺度上也能實(shí)現(xiàn)絕對(duì)的平移和旋轉(zhuǎn)。
項(xiàng)目主頁(yè)：https://nvlabs.github.io/stylegan3/
雖然生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)已被廣泛用于各種應(yīng)用，包括圖像編輯、圖像翻譯以及視頻生成，現(xiàn)有的控制生成的模型也達(dá)到了很高的水平，但總體而言，在合成過(guò)程的基礎(chǔ)層面仍有極大的改善空間。
在現(xiàn)實(shí)世界中，圖像在不同尺度上的細(xì)節(jié)往往是層次變化的。例如，頭部的移動(dòng)可能導(dǎo)致頭發(fā)、鼻子，甚至皮膚上毛孔隨之改變。
通常，典型GAN生成器的結(jié)構(gòu)化處理過(guò)程是：粗糙、低分辨率的特征通過(guò)上采樣層分層細(xì)化，再通過(guò)卷積局部混合，以及非線性引入新的細(xì)節(jié)。這種體系結(jié)構(gòu)可能基本還原了圖像的表面特征，但它并沒(méi)有以一種“自然而然”的方式合成更逼真的圖像，也就是說(shuō)，粗糙特征確保了圖像細(xì)節(jié)的存在，但沒(méi)有控制它們的精確位置，細(xì)節(jié)被固定在了圖像坐標(biāo)上。
所形成的“紋理粘附”特征在隱藏表示的插值中清晰可見(jiàn)，打破了動(dòng)態(tài)物體在空間中移動(dòng)的連貫性。
這項(xiàng)研究的目標(biāo)就是，創(chuàng)建更自然的轉(zhuǎn)換層次的體系結(jié)構(gòu)，讓每個(gè)特征的精確亞像素位置都從底層粗特征中獲得。我們?cè)賮?lái)看一組最終的效果圖：
可以看到，在頭部移動(dòng)的情況下，左圖 StyleGAN2 生成的頭發(fā)、皺紋等粘在了屏幕坐標(biāo)上，而右圖StyleGAN3生成的所有細(xì)節(jié)都可以連貫地轉(zhuǎn)換，效果絲滑。
在 MetFaces 、animal數(shù)據(jù)集中的效果同樣如此，StyleGAN3中的場(chǎng)景與其余部分平滑地轉(zhuǎn)換。
還可以注意到，在風(fēng)景圖生成中，StyleGAN3似乎已經(jīng)學(xué)會(huì)模仿鏡頭運(yùn)動(dòng)（beach數(shù)據(jù)集）。
下圖展示了幾種“橋式（bridge）”配置中平移等變性或缺乏平移等變性的現(xiàn)象。
第一列圖像是利用具有解析傅立葉輸入特征的生成器生成的圖像；第二列圖像基于第一列圖像，通過(guò)使用高質(zhì)量的重采樣濾波器進(jìn)行反向平移來(lái)“不變換”像素。
第三列圖像展示了前兩列圖像的不同。對(duì)于完美“等變”生成器（第5張圖和第6張圖），前兩列圖像是相同的，由模圖像邊界（由于光裁剪而未顯示）和重采樣產(chǎn)生數(shù)字噪聲。可以看出，在60 dB范圍內(nèi)，其在視覺(jué)上堪稱完美。
下圖以類(lèi)似于上圖的方式說(shuō)明了StyleGAN3的旋轉(zhuǎn)等變性。
第一行中的StyleGAN3-T只為平移等變性而設(shè)計(jì)，正如預(yù)期的那樣，它在旋轉(zhuǎn)不變性上完全失敗了。第二行展示的是StyleGAN3-T的一種變體，它使用p4對(duì)稱G-CNN實(shí)現(xiàn)旋轉(zhuǎn)等變。在360度的人臉旋轉(zhuǎn)中，在90度的倍數(shù)處是精確的，但在中間角度處會(huì)發(fā)生扭曲。而StyleGAN3-R展示了高保真的旋轉(zhuǎn)等變性（盡管視覺(jué)上還不算完美）。
下圖演示了點(diǎn)態(tài)非線性(這里是ReLU)固有的混疊，以及StyleGAN3的解決方案。
左列：原始限帶信號(hào)z，對(duì)其理想版本(上)進(jìn)行采樣(中)，然后根據(jù)采樣(下)進(jìn)行重構(gòu)。由于采樣率足夠高，可以捕獲信號(hào)，因此不會(huì)發(fā)生混疊。
中間列：在連續(xù)域(頂部)應(yīng)用點(diǎn)向非線性會(huì)產(chǎn)生一個(gè)非光滑函數(shù)，這是由于在零交叉點(diǎn)處的剪切。采樣這個(gè)信號(hào)(中間)并從樣本(底部)重建函數(shù)會(huì)產(chǎn)生一個(gè)混疊的結(jié)果，因?yàn)橛刹眉舢a(chǎn)生的高頻不能用樣本網(wǎng)格表示。
右列：在連續(xù)域中對(duì)ReLUed函數(shù)應(yīng)用低通濾波器(上)，再次得到平滑函數(shù)：對(duì)它進(jìn)行采樣(中間)可以實(shí)現(xiàn)真實(shí)的重構(gòu)(底部)。
下圖比較了StyleGAN3和StyleGAN2(第一行)的內(nèi)部激活模式。StyleGAN3-T(中間，平移等變)和StyleGAN3-R(底部，旋轉(zhuǎn)等變)兩個(gè)等變網(wǎng)絡(luò)構(gòu)建圖像的方式，與StyleGAN2的最終圖像中遵循特征的多尺度相位信號(hào)的方式完全不同。
基于StyleGAN3的構(gòu)造，這些信號(hào)必須控制圖像特征的外觀和相對(duì)位置。研究人員假設(shè)局部定向振蕩形成一個(gè)基底，從而使分層定位成為可能。StyleGAN3的構(gòu)造似乎使網(wǎng)絡(luò)很自然地從低頻輸入的傅里葉特征構(gòu)造圖像。
下圖解釋了切片可視化對(duì)比，表明在人臉平移時(shí)，對(duì)于某個(gè)固定的坐標(biāo)切片，StyleGAN3可以隨人臉移動(dòng)變化紋理，而StyleGAN2則傾向于生成固定的紋理。
StyleGAN3的技術(shù)創(chuàng)新
以上示例證明，StyleGAN 的層次結(jié)構(gòu)通過(guò)圖像邊界、像素噪聲輸入和位置編碼以及混疊，可以利用中間層實(shí)現(xiàn)位置精確。
在GAN的相關(guān)文獻(xiàn)中，混疊這一概念很少被提及，作者在這項(xiàng)研究中，提供了兩個(gè)混疊來(lái)源 ：1）由非理想上采樣濾波器（如卷積、雙線性卷積或跨步卷積）產(chǎn)生的像素網(wǎng)格后模糊圖像。2）非線性的逐點(diǎn)應(yīng)用，如ReLU或swish。
他們發(fā)現(xiàn)，混疊網(wǎng)絡(luò)具有放大并在多個(gè)尺度上組合圖像像素的能力，這對(duì)于弱化固定在屏幕坐標(biāo)中的紋理圖案至關(guān)重要。并且實(shí)驗(yàn)證明，該網(wǎng)絡(luò)還適用于深度學(xué)習(xí)中所有常用過(guò)濾器，甚至圖像處理中使用的高質(zhì)量過(guò)濾器。
我們知道，成功消除所有位置參考來(lái)源意味著無(wú)論像素坐標(biāo)如何，細(xì)節(jié)都可以被很好地生成，它相當(dāng)于在所有層中對(duì)亞像素平移(和旋轉(zhuǎn))實(shí)施連續(xù)的等方差。
事實(shí)證明，當(dāng)前的上采樣濾波器在抑制混疊方面根本不夠積極，而且需要具有超過(guò)100dB衰減的高質(zhì)量濾波器。這項(xiàng)研究提出了一種解決點(diǎn)態(tài)非線性引起的混疊的原理，考慮了它們?cè)谶B續(xù)域的影響，并對(duì)結(jié)果進(jìn)行適當(dāng)?shù)牡屯V波。
此外，實(shí)驗(yàn)證明：一個(gè)基于1×1卷積的模型能夠產(chǎn)生強(qiáng)旋轉(zhuǎn)的等變生成器。一旦適當(dāng)?shù)匾种屏嘶殳B以迫使模型實(shí)現(xiàn)更自然的層次細(xì)化，它的操作模式就會(huì)發(fā)現(xiàn)顯著變化：坐標(biāo)系統(tǒng)等內(nèi)部表示，允許細(xì)節(jié)準(zhǔn)確地附加到底層表面。這將顯著改進(jìn)用于生成視頻和動(dòng)畫(huà)的模型。
效果如此完美，真的不是cherry-picking？
英偉達(dá)也怕你不服氣，火速開(kāi)源了項(xiàng)目，還提供了colab供小白嘗試。
參考資料
項(xiàng)目主頁(yè)：https://nvlabs.github.io/stylegan3/
論文地址：https://arxiv.org/pdf/2106.12423.pdf
Github地址：https://github.com/NVlabs/stylegan3
colab：https://colab.research.google.com/drive/1BXNHZBai-pXtP-ncliouXo_kUiG1Pq7M?usp=sharing
https://news.ycombinator.com/item?id=28833213
雷鋒網(wǎng)
