github代码地址：https://github.com/mrlibw/ControlGAN

 

关键词：T2I，文本生成图像，ControlGAN

 

Introduction：

　　现在的许多模型如果改变了输入文本的其中一个部分，那么输出的图片会与原来文本生成的图片大相径庭，没法实现一部分的修改。如下图所示。

　　

 

 　　controlGAN，由三个部分组成：

　　　　1.word-level spatial and channel-wise attention-drive generator，采用了attention机制，多层次结构。

　　　　2.word-level discriminator，研究词与图像子区域的关系，来区分不同视觉属性。

　　　　3.perceptual loss，通过减少生成过程中的随机性，强制generator保持与修改文本无关的部分。

 

Controllable Generative Adversarial Network

　　给定一段文本S，目标是合成一张与S语义相关的图像I',同时使生成过程可控，即当S修改为S_m时，合成结果I''应与S_m语义相关，同时保留与修改的文本无关的内容。

　　模型结构。

　　ControlGAN基于multi-stage AttnGAN。

　　给定文本S，输入到text encoder（一个预训练的双向RNN），得到文本特征s∈R^D，和w属于R^DxL，s有D维，words数量L。

　　对s做conditioning augumentation（CA），得到增强后的文本特征s'。生成一个随机变量z，s'和z连接到一起作为输入送到stage I。

　　整个模型逐阶段生成从粗糙到精细的图片，对于每个阶段，网络输出一个隐藏的可视特征v_i，v_i是相对应的generator G_i的输入。

　　spatial attention和channel-wise attention会将w和v_i作为输入，输出attentive word-context feature。这个特征会v_i contact一起，作为下一阶段的输入。
　　spatial attention只将word与单个空间位置关联起来，不考虑channel信息。

　　论文新提出的channel-wise attention考虑word与channel的关联。

　　实验发现channel-wise attention与对应词的语义信息关联，而spatial attention与颜色相关，因此该结构可以用来区分不同的视觉属性。

 

　　Channel-Wise Attention，结构如图所示。

　　

 

 

 　　在第k层，输入word特征w∈R^DxL和视觉特征v_k∈R^{Cx（H_k*W_k）}，H_k和W_k分别代表第k层特征图的高和宽。

　　w通过一个perception layer F_k被映射到与v_k相同的语义空间，即w'_k=F_kw，Fk∈R^{（H_k*W_k）xD.}

　　记channel-wise attention矩阵为m^_k∈R^CxL，m^_k=v_k * w'_k，从而m^k聚集了所有空间位置的channel和words的联系信息。接着，使用softmax函数对m^_k进行归一化，得到α^_k，如下图。

 

 

　　attention weight α^k_i，j 代表v_k的第i个channel和文本S中的第j个单词之间的关系，越大代表关联越近。

　　最后，f^α_k=α^k*（w'_k）^T,  其中 f^α_k∈R^{Cx（Hk*Wk）。}

　　f^α_k中蕴含了每个channel和word的关系，因此具有更高关联值的channel在生成过程中会被增强，从而将生成过程中的每个channel给分开，并且降低无关的channel带来的影响。

 

　　Word-level Discriminator，如图所示。

 

　　为了让generator只修改部分图像内容，discriminator应向generator提供详细的训练数据。

　　输入word特征w和w'，w和w'∈R^DxL,其中，w根据原始文本S编码得到，w'是从一个随机采样的不匹配文本中编码得到。视觉特征n_real和n_fake，由基于GoogleNet的图片encoder得到，它们分别有real image I和生成的image I'得到。

　　为了简单起见，使用n∈R^Cx（H*w）来代表n_real和n_fake。使用w属于R^DxL来代表两个文本特征w和w'。

　　word-level discriminator包含一个perception layer F',它用于对准n和w的channel维度，即得到 n'=F' * n，其中F'∈R^DxC，是一个待学习的权重矩阵。

　　接着，计算word-context关联矩阵m=w^T * n',其中m∈R^Lx(H*W)。然后使用softmax函数进行归一化得到关联矩阵β。

 

　　　　

　　其中， βi,j代表第i个word和第j个图像子区域只见的关联值。　然后计算感知图像子区域的word特征b，b=n' * β^T，b∈R^DxL。b包含了所有空间信息。

　　此外，通过一个word-level的self-attention得到一维向量γ，长度L代表每个单词的相对重要性。重复γ D次得到γ'，γ'属于∈R^DxL。

　　计算b'=b⊙γ'，⊙代表element-wise的乘积，即b'_i,j为b_i,j*γ'_i,j.

　　最后根据如下公式得到第i个单词和整副图片的关联。

 

 　　σ是sigmoid函数。

　　最后，计算Image和Sentence的最终关联Lcorre，Lcorre=Σ_i=0^L-1r_i.将其反馈给generator就可以进一步帮助修改每一个子区域。

 

　　Perceptual Loss

　　由于没有在于文本无关的图像区域施加限制，生成的图片可能有高度随机性，也可能会和其他内容语义不相关。为了减少随机性，本论文引入了基于16-layer VGG network的perceptual loss，该模型在ImageNet数据集上预训练过。该网络结构用于从生成的图片I'和真实的图片I中提取语义特征，定义如下：

　

　　其中Φi（I）代表VGG的第i层的activation。

 

　　目标函数

　　generator和discriminator是通过交替训练来降低generator loss L_G和discriminator loss L_D

　　generator loss L_G包括对抗损失L_Gk，感知损失L_per，文本和图片关联度损失L_corre和基于余弦相似度的文本图片匹配损失L_DAMSM。

 

 　　K是stage数，I_k是从真实数据分布P_data中采样得到的图片的第k个stage。I'_k是从模型分布PG_k中采样得到的。

　　三个λ是超参数。

　　L_Gk由非条件对抗损失和条件对抗损失构成，其中非条件对抗损失用于确保图片的真实度，条件对抗损失保证文本和图片匹配。

 

 　　discriminator loss.

 

 　　其中，L_corre代表与单词相关的区域是否存在，S'是从文本数据集中随机采样的与I_k不匹配的句子。

　　对抗损失L_Dk与generator相同。

　　

 

 

实验

数据集

基于CUB和COCO。CUB包含8855训练图片和2933测试图片，每张图片有10个对应文本。COCO包含82783训练图片和40504验证图片，每张图片有5个对应文本。使用StackGAN中介绍的方法对其进行数据预处理。

实现

ControlGAN有3个stage，输出图片尺寸分别为64×64, 128×128, 和256×256。spatial和channel-wise attentions运用于stage2和stage3。 text encoder是一个预训练的双向LSTM，将文本给转换为一个256维的a sentence feature，长度18的256维word features。 感知损失percuptual loss通过在ImageNet上预训练的VGG-16的relu2_2层进行计算。 整个网络采用Adam optimizer进行优化，learning rate为0.0002。 对于上述两个数据集，超参数设置相同，λ1, λ2, λ3, λ4分别为 0.5, 1, 1, 5。     本人感想： 　　这个论文的出发点有点奇怪，在text-guided image manipulation上就可以实现这种变化，为什么要用T2I呢？ 　　实现方法的另一种思考：输入是有一个随机生成的变量，那么控制该变量或许可以实现修改文本之外的可控。  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

　　

　　

 

 

 

 

其他：

　　Image Caption，即 Image-To-Text。