U-GAT-IT 使用指南

• • 网络结构
  • • 优化目标

 

---

论文地址：https://arxiv.org/pdf/1907.10830.pdf

项目代码：https://github.com/taki0112/UGATIT

U-GAT-IT 和 Pix2Pix 的区别：

• U-GAT-IT：主要应用于图像风格转换、图像翻译和图像增强等任务，适用于将图像从一个领域转换到另一个领域的应用。

• PIX2PIX：主要应用于图像转换任务，例如将线稿转换为彩色图像、将语义标签转换为真实图像等，适用于输入和输出之间存在明确映射关系的应用。

网络结构

生成器：

注意力机制 CAM：全局池化和平均池化的类激活图。

• 假设我们要对一张狗的图片进行分类，判断它是不是一只狗。我们使用了一个卷积神经网络（CNN）进行分类，并得到了一个类激活图（CAM）。

• 在这张狗的图片中，CAM显示了狗的脸部区域比较亮，其他区域较暗。这意味着网络在分类时主要关注狗的脸部来判断它是否是一只狗。

实现方式是，通过权重（生成器图的 $w_1、w_2、w_3$）：

• 特征图编码：输入图片经过下采样、残差模块，卷积提取特征，得到特征图
• 通道注意力：每个特征图对应一个权重 w，N 个特征图对应 N 个权重。权重就是通道注意力机制，每个通道对应不同特征（眼睛、鼻子、毛发、耳朵）
• 新特征图分类：新特征图的重要性，通过全连接层分类器学习，ta就知道了分类的核心特征是猫脸

判别器：

基本相同，也是通道注意力机制。

AdaLIN 结合了 Layer Normalization（LN）和 Instance Normalization（IN）各自的优点，实现归一化。

• LN：多个通道进行归一化，获取全局特征
• IN：各个图像特征图单独归一化，保留内容结构

把两者结合起来，互相抵消他们之间的不足，同时又结合了两者的优点。

最朴素的思想是寻找一个比率，来权衡某一层中 IN 与 LN 的关系：

• $\rho \cdot IN+(1-\rho )\cdot LN$

完整是这样：

• $\begin{array}{rl}AdaLIN& (a,\gamma ,\beta )=\gamma \cdot (\rho \cdot {\hat{a}}_I+(1-\rho )\cdot \widehat{a_L})+\beta \\ & \widehat{a_I}=\frac{a-{\mu }_I}{\sqrt{{\sigma }_I^2+ϵ}},\widehat{a_L}=\frac{a-{\mu }_L}{\sqrt{{\sigma }_L^2+ϵ}},\\ & \rho \leftarrow cli{p}_{[0,1]}(\rho -\tau \Delta \rho )\end{array}$

这个公式是AdaLIN的具体计算公式，其中：

• $a$是输入特征图
• $\gamma$和$\beta$是可学习的参数，分别用于缩放和偏移
• $\rho$是用于调整Layer Normalization和Instance Normalization的权重的参数
• $\widehat{a_I}$和$\widehat{a_L}$是通过Instance Normalization和Layer Normalization对输入特征图进行归一化得到的结果
• ${\mu }_I$和${\sigma }_I$是Instance Normalization中计算的均值和标准差
• ${\mu }_L$和${\sigma }_L$是Layer Normalization中计算的均值和标准差
• $ϵ$是一个小的常数，用于避免分母为0的情况
• $cli{p}_{[0,1]}$表示将$\rho$限制在0和1之间
• $\Delta \rho$是一个可学习的参数，用于更新$\rho$
• $\tau$是一个调整步长的超参数

当 IN 更有用时，$\rho$ 趋向于 1.

当 LN 更有用时，$\rho$ 趋向于 0.

优化目标

对抗损失：$L_{gan}^{s\to t}=E_{x\sim X_t}\lfloor (D_t(x){)}^2\rfloor +E_{x\sim X_s}\lfloor (1-D_t(G_{s\to t}(x)){)}^2\rfloor$

• 判别是真实图像，还是生成图像
• $s->t$：S是真实图像（源域），T是生成图像（目标域）
• 源域和目标域：在图像翻译任务中，源域可以是一个领域（如马）的图像集合，而目标域可以是另一个领域（如斑马）的图像集合。我们的目标是将马的图像转换成斑马的图像。
• $E_{x\sim X_t}$：图像来自真实目标域，即 x 从 $X_t$ 真实目标域取值
• 我们希望小猫咪能够像小狗狗一样学会叫声。我们让小猫咪通过观察小狗狗的叫声来学习。小猫咪会尝试发出自己的叫声，然后小狗狗会判断这个声音是不是来自于小狗狗。如果小狗狗认为声音是来自于小狗狗，那么我们会说小猫咪的叫声越接近真实的小狗狗叫声。
• $D_t(x)$ 表示小狗狗判别器对于真实目标域的小狗狗叫声$x$的真实性判断。
• $G_{s\to t}(x)$ 是小猫咪通过模仿小狗狗学习到的叫声。
• $D_t(G_{s\to t}(x))$ 是小狗狗判断小猫咪模拟的叫声 $G_{s\to t}(x)$ 的真实性。
• $1-D_t(G_{s\to t}(x))$ 是小狗狗判断小猫咪模拟的叫声 $G_{s\to t}(x)$ 的不真实性（伪造概率）。

身份不变损失：$L_{identity}^{s\to t}=E_{x\sim X_t}\left[{\Vert x-G_{s\to t}(x)\Vert }_1\right]$

• 要把输入图片变成猫的图片，如果输入图片本身就是猫，那就不用变了。

循环一致性损失：$L_{cycle}^{s\to t}=E_{x\sim X_s}\left[{\left|x-G_{t\to s}\left(G_{s\to t}(x)\right)\right|}_1\right]$

• 正向变换过后，逆向还能变回来。

 

CAM 的生成器、判别器损失：$\begin{array}{rl}{L}_{cam}^{G_{t\to t}}& =-{\mathrm{E}}_{{}_{x\sim X_s}}\left[\log \right({\eta }_s\left(x\right)\left)\right]+{\mathrm{E}}_{{}_{x\sim X_t}}\left[\log \right(1-{\eta }_s\left(x\right)\left)\right]\\ & \\ L_{{}_{cam}}^{D_t}& ={\mathrm{E}}_{{}_{x\sim X_t}}\left[\right({\eta }_{D_t}\left(x\right){)}^2]+{\mathrm{E}}_{{}_{x\sim X_s}}[\log (1-{\eta }_{{}_{D_t}}(G_{{}_{s\to t}}\left(x\right)\left){)}^2\right]\end{array}$
 

优化目标：${\min }_{G_{s\to t},G_{t\to s},{\eta }_s,{\eta }_t}{\max }_{D_s,D_t,{\eta }_{D_s},{\eta }_{D_t}}{\lambda }_1{L}_{gan}+{\lambda }_2{L}_{cycle}+{\lambda }_3{L}_{identity}+{\lambda }_4{L}_{cam}$

• 权重：$\begin{array}{r}{\lambda }_1=1,{\lambda }_2=10,{\lambda }_3=10,{\lambda }_4=1000.\end{array}$