今天，DeepMind爆出一篇重磅論文，引發(fā)學(xué)術(shù)圈熱烈反響：基于最強圖像生成器BigGAN，打造了BigBiGAN，在無監(jiān)督表示學(xué)習(xí)和圖像生成方面均實現(xiàn)了最先進的性能！Ian Goodfellow也稱贊“太酷了！”

GAN在圖像合成方面一次次讓人們驚嘆不已！

例如，被稱為史上最強圖像生成器的BigGAN——許多人看到BigGAN生成的圖像都要感嘆“太逼真了！DeepMind太秀了吧！”

BigGAN生成的逼真圖像

這不是最秀的。今天，DeepMind的一篇新論文再次引發(fā)學(xué)術(shù)圈熱烈反響，論文題為《大規(guī)模對抗性表示學(xué)習(xí)》。

論文鏈接：

https://arxiv.org/pdf/1907.02544.pdf

在這篇論文中，DeepMind基于最先進的BigGAN模型構(gòu)建了BigBiGAN模型，通過添加編碼器和修改鑒別器將其擴展到表示學(xué)習(xí)。

BigBiGAN表明，“圖像生成質(zhì)量的進步轉(zhuǎn)化為了表示學(xué)習(xí)性能的顯著提高”。

研究人員廣泛評估了BigBiGAN模型的表示學(xué)習(xí)和生成性能，證明這些基于生成的模型在ImageNet上的無監(jiān)督表示學(xué)習(xí)和無條件圖像生成方面都達到了state of the art的水平。

這篇論文在Twitter上引發(fā)很大反響。GAN發(fā)明人Ian Goodfellow說：“很有趣，又回到了表示學(xué)習(xí)。我讀PhD期間，我和大多數(shù)合作者都對作為樣本生成的副產(chǎn)品的表示學(xué)習(xí)很感興趣，而不是樣本生成本身。”

Goodfellow說：“當(dāng)年我們在寫最初的GAN論文時，我的合著者@dwf(David Warde-Farley)試圖得到一些類似于BiGAN的東西，用于表示學(xué)習(xí)。5年后看到這一成果，我覺得太酷了。”

Andrej Karpathy也說：“無監(jiān)督/自監(jiān)督學(xué)習(xí)是一個非常豐富的領(lǐng)域，它將消除目前對大規(guī)模數(shù)據(jù)集的必要性.”

總結(jié)而言，這篇論文展示了GAN可以用于無監(jiān)督表示學(xué)習(xí)，并在ImageNet上獲得了最先進的結(jié)果。

下面是BigBiGAN生成的一些重建樣本，可以看到，重建是傾向于強調(diào)高級語義，而不是像素級的細節(jié)。

下面，新智元帶來對這篇論文的詳細解讀。

基于BigGAN打造BigBiGAN：學(xué)習(xí)高級語義，而非細節(jié)

近年來，我們已經(jīng)看到視覺數(shù)據(jù)生成模型的快速發(fā)展。雖然這些模型以前局限于模式單一或少模式、結(jié)構(gòu)簡單、分辨率低的領(lǐng)域，但隨著建模和硬件的進步，它們已經(jīng)獲得了令人信服地生成復(fù)雜、多模態(tài)、高分辨率圖像分布的能力。

直觀地說，在特定域中生成數(shù)據(jù)的能力需要高度理解所述域的語義。這一想法長期以來頗具吸引力，因為原始數(shù)據(jù)既便宜——可以從互聯(lián)網(wǎng)等來源獲得幾乎無限的供應(yīng)——又豐富，圖像包含的信息遠遠超過典型的機器學(xué)習(xí)模型訓(xùn)練用來預(yù)測的類別標(biāo)簽。

然而，盡管生成模型取得的進展不可否認，但仍然存在一些令人困擾的問題：這些模型學(xué)到了什么語義，以及如何利用它們進行表示學(xué)習(xí)?

僅憑原始數(shù)據(jù)就能真正理解生成這個夢想幾乎不可能實現(xiàn)。相反，最成功的無監(jiān)督學(xué)習(xí)方法利用了監(jiān)督學(xué)習(xí)領(lǐng)域的技術(shù)，這是一種被稱為自監(jiān)督學(xué)習(xí)(self-supervised learnin)的方法。

這些方法通常涉及以某種方式更改或保留數(shù)據(jù)的某些方面，并訓(xùn)練模型來預(yù)測或生成缺失信息的某些方面。

例如，Richard Zhang等人的研究(CVPR 2016)提出了一種非監(jiān)督學(xué)習(xí)的圖像著色方法，在這種方法中，模型被給予輸入圖像中顏色通道的子集，并經(jīng)過訓(xùn)練來預(yù)測缺失的通道。

作為無監(jiān)督學(xué)習(xí)手段的生成模型為self-supervised的任務(wù)提供了一個很有吸引力的替代方案，因為它們經(jīng)過訓(xùn)練，可以對整個數(shù)據(jù)分布建模，而不需要修改原始數(shù)據(jù)。

GAN是一類應(yīng)用于表示學(xué)習(xí)的生成模型。GAN框架中的生成器是一個從隨機采樣的潛在變量(也稱為“噪聲”)到生成數(shù)據(jù)的前饋映射，其中學(xué)習(xí)信號由經(jīng)過訓(xùn)練的鑒別器提供，用來區(qū)分真實數(shù)據(jù)和生成的數(shù)據(jù)樣本，引導(dǎo)生成器的輸出跟隨數(shù)據(jù)分布。

作為GAN框架的擴展，Vincent Dumoulin等人(ICLR 2017)提出adversarially learned inference(ALI)[7]，或Jeff Donahue等人(ICLR 2017)提出bidirectional GAN (BiGAN)[4]方法，這些方法通過編碼器模塊將實際數(shù)據(jù)映射到潛在數(shù)據(jù)(與生成器學(xué)習(xí)的映射相反)來增強標(biāo)準(zhǔn)GAN。

在最優(yōu)判別器的極限下，[4]論文表明確定性BiGAN的行為類似于自編碼器，最大限度地降低了重建成本l?；然而，重建誤差曲面的形狀是由參數(shù)鑒別器決定的，而不是像誤差l?這樣的簡單像素級度量。

由于鑒別器通常是一個功能強大的神經(jīng)網(wǎng)絡(luò)，我們希望它能產(chǎn)生一個誤差曲面，在重建時強調(diào)“語義”誤差，而不是強調(diào)低層次的細節(jié)。

BigBiGAN重建的更多圖像

論文證明了通過BiGAN或ALI框架學(xué)習(xí)的編碼器是在ImageNet上學(xué)習(xí)下游任務(wù)的一種有效的視覺表示方法。然而，它使用了DCGAN風(fēng)格的生成器，無法在這個數(shù)據(jù)集上生成高質(zhì)量的圖像，因此編碼器能夠建模的語義也相當(dāng)有限。

在這項工作中，我們再次使用BigGAN作為生成器，這是一個能夠捕獲ImageNet圖像中的許多模式和結(jié)構(gòu)的先進模型。我們的貢獻如下：

我們證明了BigBiGAN (BiGAN with BigGAN generator)與ImageNet上無監(jiān)督表示學(xué)習(xí)的最先進技術(shù)相匹敵。

我們?yōu)锽igBiGAN提出了一個更穩(wěn)定的聯(lián)合鑒別器。

我們對模型設(shè)計選擇進行了全面的實證分析和消融研究。

我們證明，表示學(xué)習(xí)目標(biāo)還有助于無條件生成圖像，并展示了無條件生成ImageNet的最先進結(jié)果。

BigBiGAN框架的結(jié)構(gòu)

BigBiGAN框架的結(jié)構(gòu)

BigBiGAN框架的結(jié)構(gòu)如上圖所示。

聯(lián)合判別器D用于計算損失l。其輸入是data-latent pairs,可以是從數(shù)據(jù)分布和編碼器輸出采樣的，或從生成器G輸入和潛在分布采樣的?。損失l包括一元數(shù)據(jù)項和一元潛在項，以及將數(shù)據(jù)和潛在分布聯(lián)系起來的共同項。

評估和結(jié)果：表示學(xué)習(xí)、圖像生成實現(xiàn)最優(yōu)性能

表示學(xué)習(xí)

我們現(xiàn)在從上述簡化學(xué)習(xí)結(jié)果中獲取基于train-val分類精度的最優(yōu)模型，在官方ImageNet驗證集上得出結(jié)果，并與最近的無監(jiān)督學(xué)習(xí)研究文獻中的現(xiàn)有技術(shù)水平進行比較。

為了進行這些比較，我們還提供了基于規(guī)模較小的ResNet-50的最佳性能GAN變種的分類結(jié)果。詳細比較結(jié)果在表2中給出。

與當(dāng)前許多自監(jiān)督學(xué)習(xí)方法相比，本文中采用的純基于生成模型的BigBiGAN方法在表示學(xué)習(xí)方面表現(xiàn)良好，在最近的無監(jiān)督學(xué)習(xí)任務(wù)上的表現(xiàn)達到了SOTA 水平，最近公布的結(jié)果顯示，本文中的方法在使用表2的AvePool相同的表示學(xué)習(xí)架構(gòu)和特征的旋轉(zhuǎn)預(yù)測預(yù)訓(xùn)練任務(wù)中，將top-1精度由55.4％提高到60.8%。

表1：多個BigBiGAN變體的性能結(jié)果，在生成圖像的初始分?jǐn)?shù)（IS）和Fréchet初始距離（FID），監(jiān)督式邏輯回歸分類器ImageNet top-1精度百分比（Cls。）由編碼器特征訓(xùn)練，并基于從訓(xùn)練集中隨機抽樣的10K圖像進行分割計算，我們將其稱為“train-val”分割。

表2：在官方ImageNet驗證集上對BigBiGAN模型與最近的基于監(jiān)督式邏輯回歸分類器的其他方法的對比。

表3：我們的BigBiGAN與無監(jiān)督（無條件）生成方法、以及之前報告的無監(jiān)督BigGAN的性能結(jié)果對比。

無監(jiān)督式圖像生成

表3所示為BigBiGAN進行無監(jiān)督生成的結(jié)果，與基于BigGAN的無監(jiān)督生成結(jié)果做比較。請注意，這些結(jié)果與表1中的結(jié)果不同，因為使用的是數(shù)據(jù)增強方法（而非表1中的用于所有結(jié)果的ResNet樣式預(yù)處理方法）。

這些結(jié)果表明，BigBiGAN顯著提升了以IS和FID為量度的基線無條件BigGAN生成結(jié)果的性能。

圖2：從無監(jiān)督的BigBiGAN模型中選擇的圖像重建結(jié)果。上面一行的圖像是真實圖像（x~Px），下面一行圖像是由G（E（x））計算出的這些圖像的重建結(jié)果。與大多數(shù)顯式重建成本（例如像素數(shù)量）不同，由（Big）BiGAN 實現(xiàn)隱式最小化的重建成本更多傾向于強調(diào)圖像的語義及其他更高級的細節(jié)。

圖像重建：更偏重高級語義，而非像素細節(jié)

圖2中所示的圖像重建在像素上遠達不到完美，可能部分原因是目標(biāo)沒有明確強制執(zhí)行重建成本，在訓(xùn)練時甚至對重建模型進行計算。然而，它們可以為編碼器ε學(xué)習(xí)建模的特征提供一些幫助。

比如，當(dāng)輸入圖像中包含狗、人或食物時，重建結(jié)果通常是姿勢、位置和紋理等相同特征“類別”的不同實例。例如，臉朝同一方向的另一只類似的狗。重建結(jié)果傾向于保留輸入的高級語義，而不是低級細節(jié)，這表明BigBiGAN的訓(xùn)練在鼓勵編碼器對前者進行建模，而不是后者。