兩個指標讓GAN訓練更有效

　　生成對抗網(wǎng)絡(GAN)是當今最流行的圖像生成方法之一，但評估和比較 GAN 產(chǎn)生的圖像卻極具挑戰(zhàn)性。之前許多針對 GAN 合成圖像的研究都只用了主觀視覺評估，一些定量標準直到最近才開始出現(xiàn)。本文認為現(xiàn)有指標不足以評估 GAN 模型，因此引入了兩個基于圖像分類的指標——GAN-train 和 GAN-test，分別對應 GAN 的召回率(多樣性)和精確率(圖像質(zhì)量)。研究者還基于這兩個指標評估了最近的 GAN 方法并證明了這些方法性能的顯著差異。上述評估指標表明，數(shù)據(jù)集復雜程度(從 CIFAR10 到 CIFAR100 再到 ImageNet)與 GAN 質(zhì)量呈負相關關系。

　　生成對抗網(wǎng)絡(GAN)[19] 是由一對存在競爭關系的神經(jīng)網(wǎng)絡——生成器和判別器——組成的深度神經(jīng)網(wǎng)絡架構(gòu)。通過交替優(yōu)化兩個目標函數(shù)訓練該模型，這樣可以讓生成器 G 學會產(chǎn)生與真實圖像類似的樣本，還能讓判別器 D 學會更好地甄別真假數(shù)據(jù)。這種范式潛力巨大，因為它可以學會生成任何數(shù)據(jù)分布。這種模型已經(jīng)在一些計算機視覺問題上取得了一定成果，例如文本到圖像的轉(zhuǎn)換 [56] 和圖像到圖像的轉(zhuǎn)換 [24,59]、超分辨率 [31] 以及逼真的自然圖像生成 [25]。

　　自從提出了 GAN 模型后，近幾年間出現(xiàn)了許多變體，如以提升生成圖像質(zhì)量為目的的 GAN 模型 [12,15,25,36] 和以穩(wěn)定訓練過程為目的的 GAN 模型 [7,9,20,34,36,40,57]。通過調(diào)整附加信息(如類別標簽)，GAN 還可以被修改為生成給定類別圖像的網(wǎng)絡 [16,35,37,41]。實現(xiàn)這一想法有許多方法：連結(jié)標簽 y 和生成器的輸入 z 或中間特征映射 [16,35]，使用條件批歸一化 [37] 以及用輔助分類器增強鑒別器 [41]。隨著這些方法的提出，有一個問題就變得重要了起來：該如何評價和比較這些模型呢?

　　評估和比較 GAN，或者說評估和比較 GAN 產(chǎn)生的圖像，是一件極具挑戰(zhàn)性的事，部分原因是缺乏明確的、在可比較概率模型中常用的似然方法 [51]。因此，之前許多針對 GAN 合成的圖像的工作都只用了主觀視覺評估。如圖 1 所示，當前最佳 GAN 生成圖像的樣本 [36]，用主觀評估方法無法精確評估圖像質(zhì)量。近兩年的研究已經(jīng)開始嘗試通過定量方法評估 GAN[22,25,32,46]。

　　圖 1：當前最佳 GAN 模型(如 SNGAN)[36] 生成逼真圖像，這些圖像難以用主觀評估法與真實圖像進行比較。我們的基于準確率的圖像分類新方法解決了這個問題，并展示了真實圖像和生成圖像間的顯著差異。

　　將 Inception 分數(shù)(IS)[46] 和 Fr′echet Inception 距離(FID)[22] 作為與生成圖像視覺質(zhì)量相關的臨時指標。IS 通過計算圖像產(chǎn)生的 (logit) 響應和邊際分布(即在 ImageNet 上訓練出來的 Inception 網(wǎng)絡生成的全部圖像的平均響應)之間的 KL 散度衡量生成圖像的質(zhì)量。換句話說，IS 無法與目標分布的樣本進行比較，僅可用于量化生成樣本的多樣性。FID 比較的是真實圖像和生成圖像間的 Inception 激活值(Inception 網(wǎng)絡中倒數(shù)第二層的響應)。但這樣的比較將真實圖像和生成圖像的激活值近似為高斯分布(參見等式(2))，計算其平均值和方差，但因為太過粗糙而無法捕捉其細節(jié)。這些評估方法都依賴于經(jīng)過 ImageNet 預訓練的 Inception 網(wǎng)絡，這對其他數(shù)據(jù)集(如面部數(shù)據(jù)集和生物醫(yī)學成像數(shù)據(jù)集)來說遠不夠理想?？偠灾?，IS 和 FID 是評估訓練進展的有用指標，但它們無法評估真實世界中的任務。正如我們在第 5 節(jié)中討論的那樣，與我們的指標(以表 2 中的 SNGAN 和 WPGAN-GP(10M)為例)不同，這些指標不足以精確地區(qū)別出當前最佳的 GAN 模型。

　　還有一種評估方法是根據(jù)精確率和召回率計算生成樣本到真實數(shù)據(jù)流形間的距離 [32]。高精確率意味著生成樣本與數(shù)據(jù)流形很接近，而高召回率意味著生成器的輸出樣本很好地覆蓋了流形。這些指標還是很理想主義的，因為無法在流形未知的自然圖像數(shù)據(jù)上進行計算。實際上，[32] 中的評估方法也只能用在由灰度三角形組成的合成數(shù)據(jù)中。另一種用于比較 GAN 模型距離的是 SWD[25]。SWD 是真實圖像和生成圖像間的 Wasserstein-1 距離的估計值，它計算的是從圖像的 Laplacian 金字塔表征中提取的局部圖像之間的數(shù)據(jù)相似性。正如第 5 節(jié)所說，SWD 的信息量低于我們的評價指標。

　　我們在本文中提出了新的評價指標，是用 GAN-train 分數(shù)和 GAN-test 分數(shù)比較類條件的 GAN 架構(gòu)。對于這兩種指標，我們都依賴神經(jīng)網(wǎng)絡架構(gòu)來進行圖像分類。為了計算 GAN-train，我們用 GAN 生成的圖像訓練了分類網(wǎng)絡，然后在由真實圖像組成的測試集上評估了其表現(xiàn)。直接地說，這度量了學習到的(生成圖像)分布和目標(真實圖像)分布間的差異?？梢缘贸鼋Y(jié)論：如果學習用于區(qū)分針對不同類別的生成圖像特征的分類網(wǎng)絡可以對真實圖像進行正確分類，那么生成圖像與真實圖像相似。換句話說，GAN-train 類似于召回率度量，因為 GAN-train 表現(xiàn)好意味著生成的樣本足夠多樣化。但是，GAN-train 也需要足夠的精確率，否則分類器會受到樣本質(zhì)量的影響。

　　我們的第二個指標，GAN-test，是在真實圖像上訓練并在生成圖像上評估得到的網(wǎng)絡的準確率。該指標與精確率類似，值比較高意味著生成的樣本與(未知)自然圖像分布近似。除了這兩個指標外，我們還研究了 GAN 生成圖像在強化訓練數(shù)據(jù)方面的作用?？梢詫⑵湟暈楹饬可蓤D像多樣性的指標。我們在圖 1 中用 GAN-train 指標闡明了我們的評估方法的效果，尤其是在主觀評價不充分的情況下。我們將在第 3 節(jié)討論這些評估指標的細節(jié)。

　　正如第 5 節(jié)中廣泛的實驗結(jié)果以及補充材料和技術(shù)報告中的附錄 [5] 所示，與之前討論的所有評估指標相比(包括沒有得出結(jié)論的人類研究)，這些指標在評估 GAN 方面的信息要豐富得多。尤其是我們還對當前最佳的兩個 GAN 模型(WGAN-GP[20] 和 SNGAN[36])以及其他一些生成模型 [45,47] 進行了評估，以提供基線比較。用 MNIST[30]、CIFAR10、CIFAR100[28] 和 ImageNet[14] 數(shù)據(jù)集評估了圖像分類表現(xiàn)。實驗結(jié)果表明，隨著數(shù)據(jù)集復雜度的增加，GAN 圖像的質(zhì)量顯著降低。

　　論文：How good is my GAN?

　　論文鏈接：https://arxiv.org/pdf/1807.09499.pdf

　　摘要：生成對抗網(wǎng)絡(GAN)是當今最流行的圖像生成方法之一。盡管已經(jīng)有了不少可以直觀感受到的令人印象深刻的成果，但一些定量標準直到最近才出現(xiàn)。我們認為現(xiàn)有指標不足以評估模型，因此在本文中引入了兩個基于圖像分類的指標——GAN-train 和 GAN-test，這兩個指標分別對應的是 GAN 的召回率(多樣性)和精確率(圖像質(zhì)量)。我們基于這兩個指標評估了最近的 GAN 方法并證明了這些方法性能的顯著差異。此外，我們的評估指標清楚地表明，數(shù)據(jù)集復雜程度(從 CIFAR10 到 CIFAR100 再到 ImageNet)，與 GAN 質(zhì)量呈負相關關系。

　　3. GAN-train 和 GAN-test

　　條件 GAN 模型的一個重要特征是生成的圖像不僅要逼真，還要能辨識出屬于一個給定的類別。一個可以完美捕獲目標分布的理想 GAN 可以生成一個新的圖像數(shù)據(jù)集 S_g，這個數(shù)據(jù)集與原始的訓練集 S_t 沒什么區(qū)別。假設這些數(shù)據(jù)集大小相同，根據(jù)這兩個數(shù)據(jù)集中的任意一個訓練出來的分類器應該有同樣的驗證準確率。當數(shù)據(jù)集足夠簡單(例如 MNIST[48])時確實是這樣(見 5.2 節(jié))。在這種最佳 GAN 特性的推動下，我們設計了兩個分數(shù)來評估 GAN，如圖 2 所示。

　　圖 2：GAN-train 和 GAN-test 圖示。GAN-train 根據(jù) GAN 生成圖像訓練了一個分類器，并在真實圖像上進行測試。該指標評估了 GAN 生成圖像的多樣性和真實性。GAN-test 根據(jù)真實圖像訓練了分類器，并在 GAN 生成圖像上進行評估。該指標評估了 GAN 生成圖像的真實性。

　　GAN-train 是在 S_g 上訓練，在由真實圖像組成的驗證集 S_v 上測試的分類器的準確率。當 GAN 不夠好的時候，GAN-train 會比在 S_t 上訓練出來的分類器的驗證準確率低。造成這種情況的原因有很多，例如，(i)與 S_t 相比，模式下降導致 S_g 的多樣性降低;(ii)生成樣本不夠逼真，以至于分類器無法學到相關特征;(iii)GAN 可以將類別混在一起并混淆分類器。不幸的是，我們無法確定 GAN 的問題在哪。當 GAN-train 的準確率與驗證集的準確率相近時，意味著 GAN 產(chǎn)生的圖像質(zhì)量很高且和訓練集一樣多樣化。正如我們在 5.3 節(jié)中所說的那樣，多樣性會隨著生成圖像數(shù)量的變化而變化。我們將在本節(jié)末尾的評價討論中對其進行分析。

　　GAN-test 是在原始訓練集 S_t 上訓練，但在 S_g 上測試得到的分類器的準確率。如果 GAN 能很好地進行學習，這就會是一項簡單的任務，因為這兩個數(shù)據(jù)集的分布是一樣的。理想情況下，GAN-test 應該和驗證準確率相近。如果 GAN-test 明顯高了，那就意味著 GAN 過擬了，即它只是簡單地記住了訓練集。相反，如果 GAN-test 明顯低了，則說明 GAN 無法很好地捕獲目標分布且 GAN 生成的圖像質(zhì)量堪憂。注意，該指標無法說明樣本的多樣性，因為可以完美記憶每一個訓練圖像的模型可以得到很高的分數(shù)。GAN-test 與 [32] 中的精確度相關，它量化了生成圖像與數(shù)據(jù)流形之間的接近程度。

　　為了深入了解 GAN 生成圖像的多樣性，我們通過大小不同的生成圖像數(shù)據(jù)集得到了 GAN-train 準確率，將其與根據(jù)相應大小的真實數(shù)據(jù)訓練得到的分類器的驗證準確率相比較。如果所有的生成圖像都是完美的，GAN-train 的 S_g(其中 GAN-train 等于小尺寸訓練集的驗證精度)的大小將會是 S_g 中不同圖像數(shù)量的良好估計。我們在實踐中觀察到，在 GAN 生成樣本數(shù)量確定的情況下，GAN-train 準確率是飽和的(見第 5.3 節(jié)中的圖 4(a)和 4(b))。這是一種度量 GAN 多樣性的方法，與 [32] 中的召回率相似，都是度量 GAN 覆蓋的數(shù)據(jù)流形的分數(shù)的方法。

　　5. 實驗

　　表 1：CIFAR10 實驗。IS：越高越好。FID 和 SWD：越低越好。為了提高可讀性，此處的 SWD 值擴大了 1000 倍。GAN-train 和 GAN-test 是以百分比形式給出的準確率(越高越好)。

　　圖 3：第一列：SNGAN 生成的圖像。其他列：來自 CIFAR10「train」的 5 幅圖像，最接近基線 CIFAR10 分類器特征空間中第一列的 GAN 圖像。

　　表 2：CIFAR100 實驗。細節(jié)參考表 1 標題。

　　表 3：ImageNet 實驗。SNGAN* 指經(jīng)過 850k 次迭代訓練得到的模型。細節(jié)參考表 1 標題。

　　圖 4：改變生成圖像數(shù)據(jù)集大小對 GAN-train 準確率產(chǎn)生的影響。為了便于比較，我們還展示改變真實圖像訓練數(shù)據(jù)集大小對結(jié)果(藍色曲線)產(chǎn)生的影響(最好以 pdf 格式查看)。

　　圖 5：用真實圖像和 SNGAN 生成的圖像結(jié)合的數(shù)據(jù)集訓練分類器的結(jié)果。

　　表 4：用縮減的真實圖像數(shù)據(jù)集訓練的 SNGAN 的數(shù)據(jù)強化。在真實圖像數(shù)據(jù)集或真實圖像和 SNGAN 生成的圖像相結(jié)合的數(shù)據(jù)集(real+GAN)上訓練得到的分類器。分類器準確率以百分數(shù)形式表示。