GAN又開辟了新疆界，MirrorGAN有多強(qiáng)？

浙大、悉尼大學(xué)等高校研究員提出MirrorGAN，作為全局-局部注意和語義保持的文本-圖像-文本框架，解決文本描述和視覺內(nèi)容之間的語義一致性問題，并在COCO數(shù)據(jù)集上刷新了記錄。

GAN又開辟了新疆界。

去年英偉達(dá)的StyleGAN在生成高質(zhì)量和視覺逼真的圖像，騙過了無數(shù)雙眼睛，隨后一大批假臉、假貓、假房源隨之興起，可見GAN的威力。

StyleGAN生成假臉

雖然GAN在圖像方面已經(jīng)取得了重大進(jìn)展，但是保證文本描述和視覺內(nèi)容之間的語義一致性上仍然是非常具有挑戰(zhàn)性的。

最近，來自浙江大學(xué)、悉尼大學(xué)等高校的研究人員，提出一種新穎的全局-局部注意和語義保持的文本-圖像-文本(text-to-image-to-text)框架來解決這個問題，這種框架稱為MirrorGAN。

MirrorGAN有多強(qiáng)？

在目前較為主流的數(shù)據(jù)集COCO數(shù)據(jù)集和CUB鳥類數(shù)據(jù)集上，MirrorGAN都取得了最好成績。

目前，論文已被CVPR2019接收。

MirrorGAN：解決文本和視覺之間語義一致性

文本生成圖像（T2I）在許多應(yīng)用領(lǐng)域具有巨大的潛力，已經(jīng)成為自然語言處理和計(jì)算機(jī)視覺領(lǐng)域的一個活躍的研究領(lǐng)域。

與基本圖像生成問題相反，T2I生成以文本描述為條件，而不是僅從噪聲開始。利用GAN的強(qiáng)大功能，業(yè)界已經(jīng)提出了不同的T2I方法來生成視覺上逼真的和文本相關(guān)的圖像。這些方法都利用鑒別器來區(qū)分生成的圖像和相應(yīng)的文本對以及ground-truth圖像和相應(yīng)的文本對。

然而，由于文本和圖像之間的區(qū)域差異，當(dāng)僅依賴于這樣的鑒別器時，對每對內(nèi)的基礎(chǔ)語義一致性進(jìn)行建模是困難且低效的。

近年來，針對這一問題，人們利用注意機(jī)制來引導(dǎo)生成器在生成不同的圖像區(qū)域時關(guān)注不同的單詞。然而，由于文本和圖像模式的多樣性，僅使用單詞級的注意并不能確保全局語義的一致性。如圖1(b)所示：

圖1 (a)鏡像結(jié)構(gòu)的說明，體現(xiàn)了通過重新描述學(xué)習(xí)文本到圖像生成的思想；(b)-(c)前人的研究成果與本文提出的MirrorGAN分別生成的語義不一致和一致的圖像/重新描述。

T2I生成可以看作是圖像標(biāo)題(或圖像到文本生成，I2T)的逆問題，它生成給定圖像的文本描述?？紤]到處理每個任務(wù)都需要對這兩個領(lǐng)域的底層語義進(jìn)行建模和對齊，因此在統(tǒng)一的框架中對這兩個任務(wù)進(jìn)行建模以利用底層的雙重規(guī)則是自然和合理的。

如圖1 (a)和(c)所示，如果T2I生成的圖像在語義上與給定的文本描述一致，則I2T對其重新描述應(yīng)該與給定的文本描述具有完全相同的語義。換句話說，生成的圖像應(yīng)該像一面鏡子，準(zhǔn)確地反映底層文本語義。

基于這一觀察結(jié)果，論文提出了一個新的文本-圖像-文本的框架——MirrorGAN來改進(jìn)T2I生成，它利用了通過重新描述學(xué)習(xí)T2I生成的思想。

解剖MirrorGAN三大核心模塊

對于T2I這一任務(wù)來說，主要的目標(biāo)有兩個：

視覺真實(shí)性；

語義

且二者需要保持一致性。

MirrorGAN利用了“文本到圖像的重新描述學(xué)習(xí)生成”的思想，主要由三個模塊組成：

語義文本嵌入模塊(STEM)；

級聯(lián)圖像生成的全局-局部協(xié)同關(guān)注模塊(GLAM);

語義文本再生與對齊模塊(STREAM)。

STEM生成單詞級和句子級的嵌入；GLAM有一個級聯(lián)的架構(gòu)，用于從粗尺度到細(xì)尺度生成目標(biāo)圖像，利用局部詞注意和全局句子注意，逐步增強(qiáng)生成圖像的多樣性和語義一致性；STREAM試圖從生成的圖像中重新生成文本描述，該圖像在語義上與給定的文本描述保持一致。

圖2 MirrorGAN原理圖

如圖2所示，MirrorGAN通過集成T2I和I2T來體現(xiàn)鏡像結(jié)構(gòu)。

它利用了通過重新描述來學(xué)習(xí)T2I生成的想法。 生成圖像后，MirrorGAN會重新生成其描述，該描述將其基礎(chǔ)語義與給定的文本描述對齊。

以下是MirrorGAN三個模塊組成：STEM，GLAM和STREAM。

STEM：語義文本嵌入模塊

首先，引入語義文本嵌入模塊，將給定的文本描述嵌入到局部詞級特征和全局句級特征中。

如圖2最左邊所示(即上圖)，使用一個遞歸神經(jīng)網(wǎng)絡(luò)(RNN)從給定的文本描述中提取語義嵌入T，包括一個嵌入w的單詞和一個嵌入s的句子。

GLAM：級聯(lián)圖像生成的全局-局部協(xié)同關(guān)注模塊

接下來，通過連續(xù)疊加三個圖像生成網(wǎng)絡(luò)，構(gòu)造了一個多級級聯(lián)發(fā)生器。

本文采用了《Attngan: Fine-grained text to image generation with attentional generative adversarial networks》中描述的基本結(jié)構(gòu)，因?yàn)樗谏杀普娴膱D像方面有很好的性能。

使用{F0，F(xiàn)1，…，F(xiàn)m-1}來表示m個視覺特征變換器，并使用{G0，G1，…，Gm-1}來表示m個圖像生成器。 每個階段中的視覺特征Fi和生成的圖像Ii可以表示為：

STREAM：語義文本再生與對齊模塊

如上所述，MirrorGAN包括語義文本再生和對齊模塊（STREAM），以從生成的圖像重新生成文本描述，其在語義上與給定的文本描述對齊。

具體來說，采用了廣泛使用的基于編碼器解碼器的圖像標(biāo)題框架作為基本的STREAM架構(gòu)。

圖像編碼器是在ImageNet上預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)(CNN)，解碼器是RNN。由末級生成器生成的圖像Im-1輸入CNN編碼器和RNN解碼器如下：

實(shí)驗(yàn)結(jié)果：COCO數(shù)據(jù)集上成績最佳

那么，MirrorGAN的性能有多強(qiáng)呢？

首先來看一下MirrorGAN與其它最先進(jìn)的T2I方法的比較，包括GAN-INT-CLS、GAWWN、StackGAN、StackGAN ++ 、PPGN和AttnGAN。

所采用的數(shù)據(jù)集是目前較為主流的數(shù)據(jù)集，分別是COCO數(shù)據(jù)集和CUB鳥類數(shù)據(jù)集：

CUB鳥類數(shù)據(jù)集包含8,855個訓(xùn)練圖像和2,933個屬于200個類別的測試圖像，每個鳥類圖像有10個文本描述；

OCO數(shù)據(jù)集包含82,783個訓(xùn)練圖像和40,504個驗(yàn)證圖像，每個圖像有5個文本描述。

結(jié)果如表1所示：

表1 在CUB和COCO數(shù)據(jù)集上，MirrorGAN和其它先進(jìn)方法的結(jié)果比較

表2展示了AttnGAN和MirrorGAN在CUB和COCO數(shù)據(jù)集上的R精度得分。

表2 在CUB和COCO數(shù)據(jù)集上，MirrorGAN和AttnGAN的R精度得分。

在所有實(shí)驗(yàn)比較中，MirrorGAN都表現(xiàn)出了更大的優(yōu)勢，這表明了本文提出的文本到圖像到文本的框架和全局到本地的協(xié)作關(guān)注模塊的優(yōu)越性，因?yàn)镸irrorGAN生成的高質(zhì)量圖像具有與輸入文本描述一致的語義。