近日，谷歌大腦研究人員提出了一種基于自監(jiān)督和半監(jiān)督學(xué)習(xí)的“條件GAN”，使用的標(biāo)記數(shù)據(jù)量大降90%，生成圖像的質(zhì)量比現(xiàn)有全監(jiān)督最優(yōu)模型BigGAN高出20%（以FID得分計(jì)），有望緩解圖像生成和識(shí)別領(lǐng)域標(biāo)記數(shù)據(jù)量嚴(yán)重不足的問(wèn)題。

生成對(duì)抗網(wǎng)絡(luò)（GAN）是一類強(qiáng)大的深度生成模型。GAN背后的主要思想是訓(xùn)練兩個(gè)神經(jīng)網(wǎng)絡(luò)：生成器負(fù)責(zé)學(xué)習(xí)如何合成數(shù)據(jù)，而判別器負(fù)責(zé)學(xué)習(xí)如何區(qū)分真實(shí)數(shù)據(jù)與生成器合成的虛假數(shù)據(jù)。目前，GAN已成功用于高保真自然圖像合成，改善學(xué)習(xí)圖像壓縮質(zhì)量，以及數(shù)據(jù)增強(qiáng)等任務(wù)。

對(duì)于自然圖像合成任務(wù)來(lái)說(shuō)，現(xiàn)有的最優(yōu)結(jié)果是通過(guò)條件GAN實(shí)現(xiàn)的。與無(wú)條件GAN不同，條件GAN在訓(xùn)練期間要使用標(biāo)簽（比如汽車，狗等）。雖然數(shù)據(jù)標(biāo)記讓圖像合成任務(wù)變得更容易實(shí)現(xiàn)，在性能上獲得了顯著提升，但是這種方法需要大量標(biāo)記數(shù)據(jù)，而在實(shí)際任務(wù)中很少有大量標(biāo)記數(shù)據(jù)可用。

隨著ImageNet上訓(xùn)練過(guò)程的持續(xù)，生成的圖像逼真度進(jìn)步明顯

谷歌大腦的研究人員在最近的《用更少的數(shù)據(jù)標(biāo)簽生成高保真圖像》中，提出了一種新方法來(lái)減少訓(xùn)練最先進(jìn)條件GAN所需的標(biāo)記數(shù)據(jù)量。文章提出結(jié)合大規(guī)模GAN的最新進(jìn)展，將高保真自然圖像合成技術(shù)與最先進(jìn)技術(shù)相結(jié)合，使數(shù)據(jù)標(biāo)記數(shù)量減少到原來(lái)的10%。

在此基礎(chǔ)上，研究人員還發(fā)布了Compare GAN庫(kù)的重大更新，其中包含了訓(xùn)練和評(píng)估現(xiàn)代GAN所需的所有組件。

利用半監(jiān)督和自監(jiān)督方式提升預(yù)測(cè)性能

條件GAN與基線BigGAN的FID分?jǐn)?shù)對(duì)比，圖中黑色豎線為BigGAN基線模型（使用全部標(biāo)記數(shù)據(jù)）得分。S3GAN在僅使用10%標(biāo)記數(shù)據(jù)的情況下，得分比基線模型最優(yōu)得分高20%

在條件GAN中，生成器和判別器通常都以分類標(biāo)簽為應(yīng)用條件。現(xiàn)在，研究人員建議使用推斷得出的數(shù)據(jù)標(biāo)簽，來(lái)替換手工標(biāo)記的真實(shí)標(biāo)簽。

上行：BigGAN全監(jiān)督式學(xué)習(xí)生成的128×128像素最優(yōu)圖像樣本。下行為S3GAN生成的圖像樣本，標(biāo)記數(shù)據(jù)量降低了90%，F(xiàn)ID得分與BigGAN表現(xiàn)相當(dāng)

為了推斷大型數(shù)據(jù)集中多數(shù)未標(biāo)記數(shù)據(jù)的高質(zhì)量標(biāo)簽，可以采取兩步方法：首先，僅使用數(shù)據(jù)集的未標(biāo)記部分來(lái)學(xué)習(xí)特征表示。

為了學(xué)習(xí)特征表示，需要利用新方法，以不同的方法利用自我監(jiān)督機(jī)制：將未標(biāo)記的圖像進(jìn)行隨機(jī)旋轉(zhuǎn)，由深度卷積神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)預(yù)測(cè)旋轉(zhuǎn)角度。這背后的思路是，模型需要能夠識(shí)別主要對(duì)象及其形狀，才能在此類任務(wù)中獲得成功。

對(duì)一幅未標(biāo)記的圖像進(jìn)行隨機(jī)旋轉(zhuǎn)，網(wǎng)絡(luò)的任務(wù)是預(yù)測(cè)旋轉(zhuǎn)角度。成功的模型需要捕捉有意義的語(yǔ)義圖像特征，這些特征可用于完成其他視覺任務(wù)

研究人員將訓(xùn)練網(wǎng)絡(luò)的一個(gè)中間層的激活模式視為輸入的新特征表示，并訓(xùn)練分類器，以使用原始數(shù)據(jù)集的標(biāo)記部分識(shí)別該輸入的標(biāo)簽。由于網(wǎng)絡(luò)經(jīng)過(guò)預(yù)訓(xùn)練，可以從數(shù)據(jù)中提取具有語(yǔ)義意義的特征，因此，訓(xùn)練此分類器比從頭開始訓(xùn)練整個(gè)網(wǎng)絡(luò)更具樣本效率。最后使用分類器對(duì)未標(biāo)記的數(shù)據(jù)進(jìn)行標(biāo)記。

為了進(jìn)一步提高模型質(zhì)量和訓(xùn)練的穩(wěn)定性，最好讓判別器網(wǎng)絡(luò)學(xué)習(xí)有意義的特征表示。通過(guò)這些改進(jìn)手段，在加上大規(guī)模的訓(xùn)練，使得新的條件GAN在ImageNet圖像合成任務(wù)上達(dá)到了最優(yōu)性能。

給定潛在向量，由生成器網(wǎng)絡(luò)生成圖像。在每行中，最左側(cè)和最右側(cè)圖像的潛在代碼之間的線性插值導(dǎo)致圖像空間中的語(yǔ)義插值

CompareGAN：用于訓(xùn)練和評(píng)估GAN的庫(kù)

對(duì)GAN的前沿研究在很大程度上依賴于經(jīng)過(guò)精心設(shè)計(jì)和測(cè)試的代碼庫(kù)，即使只是復(fù)制或再現(xiàn)先前的結(jié)果和技術(shù)，也需要付出巨大努力。

為了促進(jìn)開放科學(xué)并讓研究界從最近的進(jìn)步中獲益，研究人員發(fā)布了Compare GAN庫(kù)的重大更新。該庫(kù)包括現(xiàn)代GAN中常用的損失函數(shù)，正則化和歸一化方案，神經(jīng)架構(gòu)和量化指標(biāo)，現(xiàn)已支持：

GPU和TPU訓(xùn)練

通過(guò)Gin進(jìn)行輕量級(jí)配置（含實(shí)例）

通過(guò)TensorFlow數(shù)據(jù)集庫(kù)提供大量數(shù)據(jù)集

未來(lái)方向：自監(jiān)督學(xué)習(xí)會(huì)讓GAN更強(qiáng)大

由于標(biāo)記數(shù)據(jù)源和未標(biāo)記數(shù)據(jù)源之間的差距越來(lái)越大，讓模型具備從部分標(biāo)記的數(shù)據(jù)中學(xué)習(xí)的能力變得越來(lái)越重要。

目前來(lái)看，自監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的簡(jiǎn)單而有力的結(jié)合，有助于縮小GAN的這一現(xiàn)實(shí)差距。自監(jiān)督是一個(gè)值得研究的領(lǐng)域，值得在該領(lǐng)域開展面向其他生成建模任務(wù)的研究。