未经授权，严禁任何形式转载！
能力有限，欢迎指正批评！

参考

引入

行业现状

根据文字描述，人工生成高质量图片的任务是计算机视觉领域一个挑战，并且有很多应用场景。现有的文字转图像方式很难表现文字的含义，并且细节部分缺失严重，不够生动具体。

现有的模型（如 Vanilla GAN）只是简单的添加 upsampling 层来生成高分辨率的图，这会导致训练不稳定，且生成无用的图片，如图一 (c) 所示。

GAN 生成高维图片的主要问题在于，自然图像分布与模型分布在高维空间上几乎不交叠。当要生成的图像分辨率增大时，该问题更加明显。（这里参考 令人拍案叫绝的Wasserstein GAN）

本文工作

提出 StackGAN 分段式结构

本文提出了 Stacked Generative Adversarial Networks (StackGAN) 结构，用于根据文字描述，生成对应的 256 * 256 的真实图像（首次这么高的分辨率）。我们将该问题分解为可处理的子问题。

首先是 Stage-I，根据给定的文字描述，勾勒初始的形状和色彩，生成低分辨率的图像，如图一 (a) 所示。

然后 Stage-II 根据 Stage-I 生成的低分辨率图像以及原始文字描述，生成具有更多细节的高分辨率图像。这个阶段可以重新捕获被 Stage-I 忽略的文字描述细节，修正 Stage-I 的的结果的缺陷，并添加改良的细节，如图一 (b) 所示。

从低分辨率图像生成的模型分布与自然图像分布相交叠的概率更好。这就是 Stage-II 能够生成高分辨率图像的根本原因。

提出 Conditioning Augmentation 技术

对于 text-to-image 生成任务，text-image 训练数据对（image + text）数量有限，这将导致文本条件多样性的稀疏性(sparsity in the text conditioning manifold)，而这种稀疏性使得 GAN 很难训练。

因此，我们提出了一种新颖的条件增强技术(Conditioning Augmentation technique) 来改善生成图像的多样性，并稳定 conditional-GAN 的训练过程，这使得隐含条件分布更加平滑 (encourages smoothness in the latent conditioning manifold)。

大量实验

在基准数据集上，与一些先进的模型进行比对，结果表明，性能提升很大。

模型解析

StackGAN 的模型结构如下图所示：

Conditioning Augmentation

如图 2 所示，描述文字首先被预训练好的编码器编码为词嵌入向量  。

在前人的研究中，词嵌入向量被非线性的转换为生成条件隐含变量，并作为生成器的输入。然而，词嵌入的隐含空间维度维度一般很高（> 100）。当输入数据量很少的时候，通常会导致隐含变量分布空间不连续(大部分值为 0，太过稀疏)，这对生成器的训练不利。

因此，我们引入条件增强 (Conditioning Augmentation) 来产生额外的条件变量  。我们不是选定固定的  ，而是从独立高斯分布  中随机采样。其中，均值  和对角方差矩阵  是关于词嵌入向量  的函数（全连接层子网络）。

上面一段话，换言之就是，将原始词向量分布映射到一个高斯分布中，均值和方差不变。

给定较少的 text-image 对，通过该手段，也能够生成更多的训练样本，并且对于条件空间的微小扰动，其稳健型也更好。为了进一步增强条件分布的平滑性，以及避免过拟合(引入噪声相当于数据增强)，我们使用 KL 散度对其正则化：

上面的即标准高斯分布与条件高斯分布之间的 KL 散度(Kullback-Leibler divergence)。条件增强过程中引入的随机性有助于 text-image 转换，因为同样的文字描述可能对应着不同的目标姿势，外观等等，这种随机性有助于增加多样性。

Stage-I GAN

理论基础

Stage-I 阶段主要用于生成粗略的形状和颜色等。先从  中随机采样出  ，并随机采样的高斯噪声 z，将它们进行 concatenate ，然后作为 Stage-I 的输入，来训练判别器  和  ，分别对应如下目标函数：

其中，真实图像  和文本描述 t 源自于实际数据分布  。 z 表示从高斯分布分布  中随机提取的噪声向量。  为正则化参数，用于平衡公式 (3) 中的两项。

我们的实验中，设置为  。其中，  是与网络剩余部分一起学习。

模型结构

Conditioning Augmentation

对于生成器  ，为了获取文本条件变量  ，词嵌入向量  首先通过全连接层来生成高斯分布  中的  。

然后，从中随机采样出  。其中，  表示对应元素相乘，且  。

随后将获取的  与  维噪声向量进行拼接（concatenate），作为  的输入，通过一组上采样 up-sampling 生成  的图像。

对于判别器  ，首先用全连接层将词向量  压缩到  ，随后进行空间性重复，得到  。同时，将图像输入到一系列下采样 down-sampling ，从而得到  尺寸的 tensor。

随后，将文本 tensor 和图像 tensor 进行拼接，然后输入到一个  的卷积层，从而同时综合文本和图像的信息。最后，用一个只有一个节点的全连接层来生成置信度得分。

Stage-II GAN

理论基础

Stage-I 阶段生成的低分辨率图像通常缺乏鲜明的目标特征，并且可能包含一些变形。同时，文本描述中的部分信息可能也未体现出来。所以，通过 Stage-II 可以在 Stage-I 生成的低分辨率图像和文本描述的基础上，生成高分辨率图片，其修正了 Stage-I的缺陷，并完善了被忽略的文本信息细节。

Stage-II 以高斯隐含变量  以及 `Stage-I` 的生成器的输出  为输入，来训练生成器 G 和判别器 D，其目标函数分别为：

模型结构

Conditioning Augmentation

首先就是通过词向量  来获取  ，其过程与 Stage-I 一样。

G

首先  通过空间重复，变成  的 tensor（这里的空间上重复使之，将原来的  在  的维度上，进行重复，得到  ）。

同时，将 Stage-I 的输出通过下采样网络，变成尺寸为  的 tensor，并与上面的文本  的 tensor 在通道的维度上进行拼接。

接着，将上面的 tensor 送入一系列的残差块，从而习得综合文本描述和图像信息的特征。

最后，用上采样网络进行处理，从而生成  的图像。

D

判别器部分与 Stage-I 别无二致，除了输入尺寸的变化导致的下采样层不同。

此外，在训练阶段，判别器的输入中，正类样本为真实图像及其对应的文本描述；而负类样本包含两种，分别为：真实图像和不匹配的文本描述，以及生成的图像和其对应的文本描述。

实现细节（网络实现，参数和训练）

上采样网络由 nearest-neighbor 上采样组成(如下图所示)。上采样后，接一个  ，步长为 1 的卷积层。除了最后一层卷积层之外，其余各卷积层后面均接上 batch normalization 层以及 ReLU 层激活函数。

残差块由尺寸为  ，步长为 1 的卷积层，以及 BN 层和 ReLU 层构成。对于  的模型，需要 2 个残差块；对于  的模型，需要 4 个残差块。

下采样网络由尺寸为  ，步长为 2 的卷积层，以及 BN 和 LeakyReLU 组成，除了第一层外，没有加 BN。

默认情况下，  。

训练过程如下：首先固定 Stage-II，训练 Stage-I 的  和  600 个 epoch。然后固定 Stage-I，再训练 Stage-II 的 D 和 G 600 个 epoch。

所有的网络用 Adam 优化器，batch size 为 64，初始的学习速率为 0.0002，且每 100 个 epoch，学习速率减小为之前的  。

实验结果

Datasets and evaluation metrics

CUB 数据集包含 200 种鸟类，共 11788 张图片。其中，80% 的图片目标尺寸只占据图像的面积不到 0.5。所以，需要进行 crop 预处理，使之大于 0.75。

Oxford-102 包含 8189 张图片，共 102 类花。同时为了保证泛化性能，还尝试了 MS COCO 数据集，其包含多目标以及不同背景。MS COCO 有 40K 的图像。其中，每张图片对应 5 个描述信息。而 CUB 和 Oxford-102 数据集每张图片对应 10 个信息。

Evaluation metrics

用如下公式进行算法评估：

其中，x 表示生成的样本，y 表示模型预测的标签。其表示，好的模型应该生成多样但是有意义的图像。因此，边缘分布 (marginal distribution)  和条件分布 (conditional distribution)  之间的 KL 散度应该较大。

在我们的实现中，直接使用 COCO 数据集对 Inception 进行预训练，然后分别用 CUB 和 Oxford-102 进行 fine-tune（得到两个模型）。

尽管 Inception 得分一定程度上表征生成图像的质量，但是不能表征是否按照文字描述生成的图像。因此，对于 CUB 和 Oxford-102 测试集，随机选择 50 个文本描述；而对于 COCO 数据集，随机选取 4K 个文本描述来进行验证。对于每条描述，生成 5 张图像。对于每个给定的文字描述，选 10 名用户来评判不同模型的结果，分别取均值作为各模型的结果。

Quantitative and qualitative results

Component analysis

The design of StackGAN

如表 2 第一行所示，如果不使用 CA (Conditioning Augmentation)，则 inception score 明显下降。这表明， CA 是有必要的。如图 5 所示，第一行没有用 CA，生成结果并不理想，且形式单一（mode collapse）。而用 CA 之后，生成结果较好，且具备多样性。

此外，将输出从  减小到  ，inception score 会从 3.7 降到 3.35。所有的图像在计算 inception score 之前会首先缩放到  。

而如果仅增加图像尺寸，而不添加更多信息，则 inception score 不会随着输出分辨率而改变。所以  的输出会包含更多信息。

对于  的 StakeGAN，如果文本信息(  )只在一个阶段添加，而在 Stage-II 中不添加，则得分会从 3.7 将为 3.45。这表明，Stage-II 会根据文本信息，改善 Stage-I 的结果。

Paper：【论文阅读】StackGAN: Text to Photo-realistic Image Synthesis with Stacked GAN
这篇学习代码↓↓↓

1.的处理

stackGAN 没有直接将 embedding 作为 condition ，而是用 embedding 接了一个 FC 层从得到的独立的高斯分布中随机采样得到隐含变量（  ,  ）。其中和是关于的函数。之所以这样做的原因是，embedding 通常比较高维，而相对这个维度来说， text 的数量其实很少，如果将 embedding 直接作为 condition，那么这个 latent variable 在 latent space 里就比较稀疏，这对训练不利。

StageI/model.py

    def generate_condition(self, c_var):
        conditions =
            (pt.wrap(c_var).
             flatten().
             custom_fully_connected(self.ef_dim * 2).
             apply(leaky_rectify, leakiness=0.2))
        mean = conditions[:, :self.ef_dim]
        log_sigma = conditions[:, self.ef_dim:]
        return [mean, log_sigma]

StageI/train.py

    def sample_encoded_context(self, embeddings):
        '''Helper function for init_opt'''
        c_mean_logsigma = self.model.generate_condition(embeddings)
        mean = c_mean_logsigma[0]
        if cfg.TRAIN.COND_AUGMENTATION:
            # epsilon = tf.random_normal(tf.shape(mean))
            epsilon = tf.truncated_normal(tf.shape(mean))
            stddev = tf.exp(c_mean_logsigma[1])
            c = mean + stddev * epsilon

            kl_loss = KL_loss(c_mean_logsigma[0], c_mean_logsigma[1])
        else:
            c = mean
            kl_loss = 0

        return c, cfg.TRAIN.COEFF.KL * kl_loss

上述代码出现了KL损失，目的是正则化：为了防止过拟合或者方差太大的情况，generator 的 loss 里面加入了对这个分布的正则化： 。

StageI/model.py

# reduce_mean normalize also the dimension of the embeddings
def KL_loss(mu, log_sigma):
    with tf.name_scope("KL_divergence"):
        loss = -log_sigma + .5 * (-1 + tf.exp(2. * log_sigma) + tf.square(mu))
        loss = tf.reduce_mean(loss)
        return loss

2.生成器 

StageI/model.py

    def generator(self, z_var):
        node1_0 =
            (pt.wrap(z_var).
             flatten().
             custom_fully_connected(self.s16 * self.s16 * self.gf_dim * 8).
             fc_batch_norm().
             reshape([-1, self.s16, self.s16, self.gf_dim * 8]))
        node1_1 = 
            (node1_0.
             custom_conv2d(self.gf_dim * 2, k_h=1, k_w=1, d_h=1, d_w=1).
             conv_batch_norm().
             apply(tf.nn.relu).
             custom_conv2d(self.gf_dim * 2, k_h=3, k_w=3, d_h=1, d_w=1).
             conv_batch_norm().
             apply(tf.nn.relu).
             custom_conv2d(self.gf_dim * 8, k_h=3, k_w=3, d_h=1, d_w=1).
             conv_batch_norm())
        node1 = 
            (node1_0.
             apply(tf.add, node1_1).
             apply(tf.nn.relu))

        node2_0 = 
            (node1.
             # custom_deconv2d([0, self.s8, self.s8, self.gf_dim * 4], k_h=4, k_w=4).
             apply(tf.image.resize_nearest_neighbor, [self.s8, self.s8]).
             custom_conv2d(self.gf_dim * 4, k_h=3, k_w=3, d_h=1, d_w=1).
             conv_batch_norm())
        node2_1 = 
            (node2_0.