風格遷移、變裝模型這些改變圖像屬性的任務之前都是GAN的熱門話題。現在，OpenAI的研究者們提出了一種新的生成模型，能快速輸出高清、真實的圖像。以下是論智對OpenAI博客的編譯。

這篇文章介紹了我們的新成果——Glow，這是一個可逆的生成模型，其中使用了可反復的1×1卷積網絡。2015年，我們曾推出過NICE，它是一種針對復雜高維進行建模的深度學習框架。在可逆模型的基礎上，研究人員簡化了NICE的網絡結構，使模型能生成更加真實的高分辨率圖像，并支持高效的采樣，能發現可以用來控制數據屬性的特征。下面讓我們看看這個模型到底怎么玩：

這是年輕貌美的瑟曦。

黑化之后：

滄桑的瑟曦：

除此之外，你還能改變人物頭發的顏色、眼睛大小和胡子。接下來，還有另一種玩法，即混合兩張圖：

碧昂斯和小李子Mix一下，長這樣。

這是Glow模型的一個交互式Demo，感興趣的讀者可以移步官網體驗試試，支持上傳自己的照片調整臉部屬性和合成兩張圖片。

動機

以上是研究者Prafulla Dhariwal和Durk Kingma的面部表情特征變化圖。模型在訓練時并沒有被給予屬性標簽，但是它學會了一種隱藏空間，在其中特定的方向對應不同特征的變化，例如胡子的茂密程度、年齡、發色等等

生成模型與數據的觀察有關，就像面對許多人臉圖片，從中學習一種模型，了解數據是如何生成的。學習估計數據生成的過程需要學習數據中所有的結構，并且成功的模型可以合成和數據很相似的輸出結果。精確的生成模型可應用的場景非常廣泛，例如語音識別、文本分析合成、半監督學習和基于模型的控制。

Glow是一種可逆的生成模型，也可以稱作“流式”生成模型，是NICE和RealNVP技術的擴展。目前，流式生成模型的關注度并不如GAN和VAE。

流式生成模型的幾個優點有：

確切的隱藏變量推斷和對數相似度評估。在VAE中，模型智能大致推斷與數據點相對應的隱藏變量的值，而GAN根本就沒有能推測隱藏變量的編碼器。但是在可逆生成模型中，這一過程能精確地推算出來。這不但能輸出一個精確的結果，還能對數據的對數相似度進行優化，而不是之前對數據的下限值優化。

高效的推理和合成。自回歸的模型，例如PixelCNN同樣是可逆的，但是這種模型的合成結果很難平行化，通常在平行硬件上很低效。而類似Glow的流式生成模型不論在推理還是合成方面都很高效。

為下游任務提供了有用的隱藏空間。自回歸模型的隱藏層有著位置的邊緣分布，使其更難對數據進行正確操作。在GAN中，數據點經常不能直接表現在隱藏空間中，因為它們沒有編碼器，可能無法支持數據分布。在可逆生成模型和VAE上就沒有這種情況。

對節省內存有重大意義。可逆神經網絡的計算梯度應該是恒定的內存量，而不是線性的。

結果

利用這種技術，我們在標準上比較了RealNVP和我們的Glow，RealNVP是在這之前表現最佳的流式生成模型。結果如下：

在含有30000張照片的數據集上訓練之后，模型生成的樣本

Glow模型能生成非常逼真的高分辨率圖像，并且非常高效。模型在NVIDIA 1080 Ti GPU上只用130毫秒（0.13秒）就生成了一張256×256的照片。

在隱藏空間插值

我們還可以在兩個隨機面孔之間進行插值，利用編碼器在兩個圖片之間進行編碼，并從中間點中取樣。注意，輸入的是隨機面孔，并不是模型中的樣本，所以這也證明了模型可以支持完全的目標分布。

變臉過程十分流暢

在隱藏空間中處理

無需標簽，我們就可以訓練一個流式模型，然后利用學習到的隱藏表示進行下游任務。這些語義分布可以改變頭發的顏色、圖片風格、音調高低或者文本情感。由于流式模型擁有完美的編碼器，你可以編碼輸入并且計算輸入的平均隱藏向量。二者間向量的方向可以用來將輸入向該方向改變。

這一過程只需要少量的標記數據，并且模型一訓練完就能完成。在此之前，用GAN做這些需要訓練一個單獨的編碼器，而VAE需要保證解碼器和編碼器適用于分布數據。其他類似CycleGAN直接學習表示變化的函數，也需要重新訓練每一個變化。

# Train flow model on large, unlabelled dataset X

m = train(X_unlabelled)

# Split labelled dataset based on attribute, say blonde hair

X_positive, X_negative = split(X_labelled)

# Obtain average encodings of positive and negative inputs

z_positive = average([m.encode(x) for x in X_positive])

z_negative = average([m.encode(x) for x in X_negative])

# Get manipulation vector by taking difference

z_manipulate = z_positive - z_negative

# Manipulate new x_input along z_manipulate, by a scalar alpha in [-1,1]

z_input = m.encode(x_input)

x_manipulated = m.decode(z_input + alpha * z_manipulate)

用流式模型改變屬性的簡單代碼

進步之處

相比之前的RealNVP，我們的進步之處主要是一個可逆的1×1卷積，以及刪減掉其他元素，簡化了模型。

RealNVP架構由兩種圖層組成：具有棋盤蒙版的圖層和通道蒙版的圖層。我們去除了棋盤樣的圖層，簡化了結構。剩下的通道類型的蒙版起到以下作用：

在通道維度中改變輸入的順序

將輸入分成A和B兩部分，從特征維度的中部開始

將A輸入到一個較淺的卷積神經網絡。根據神經網絡的輸出線性地對B進行轉換

連接A和B

可以看到我們的1×1卷積在性能上有大大的提升

除此之外，我們取消了批歸一化，將它替換成激活歸一圖層。該圖層利用基于數據的初始化，簡單地轉換并縮放激活，該初始化在給定初始小批量數據的情況下將激活規范化。

訓練規模

我們的結構結合了多種優化，例如梯度檢查點，可以讓我們在較大規模上訓練流式生成模型。我們使用Horovod輕松地將模型在多個機器上進行了訓練；文章開頭的Demo用了8個GPU。

未來方向

這篇研究表明，訓練流式模型生成真實的高清圖像是很有潛力的，并且經過學習的隱藏表示可以很容易用于下流任務。我們對未來工作的方向有以下計劃：

1.在可能性上比其他模型更有競爭力

在對數相似度上，自適應模型和VAE的表現比流式模型要好，但是他們在采樣和精確推理上不如流式模型。未來我們會嘗試結合這幾種模型，以彌補不足。

2.改進結構，提高計算和參數效率

為了生成逼真的高分辨率圖像，人臉生成模型利用大約200M的參數和將近600個卷積層，訓練起來成本很高。但是更淺的網絡表現得又不好。使用自注意力結構或者進行漸進式訓練可能會讓訓練成本更便宜。