生成對抗網(wǎng)絡在計算機視覺領(lǐng)域的應用探索

王靖

摘要：現(xiàn)在計算機已經(jīng)在我們的生活中無處不在，所以計算機的一些技術(shù)也在不斷的更新，生成式對抗網(wǎng)絡就是在這樣環(huán)境下的產(chǎn)物。生成式對抗網(wǎng)絡的特點就是有獨特的零和博弈和對抗訓練的思想形成的一個高質(zhì)量的樣本，比傳統(tǒng)的機器學習算法有更加強大的表達能力。現(xiàn)在是當前研究的熱點方向。

關(guān)鍵詞：生成對抗網(wǎng)絡;計算機視覺領(lǐng)域;應用

在2014年的時候Goodfellow等人提出了一種生成式的深度學習的模型叫做生成式對抗的網(wǎng)絡。這個模型一提出就深得計算機視覺研究領(lǐng)域的喜愛。現(xiàn)在深度學習和移動設備都在快速的發(fā)現(xiàn)，但是關(guān)于圖像生成和圖像處理等方面已經(jīng)被很多人進行了研究。生成對抗網(wǎng)絡可以為了彌補一些數(shù)據(jù)上的不足生成一些目標的數(shù)據(jù)集。還能夠在生成對抗網(wǎng)絡上進行圖像翻譯和文本和圖像之間的相互生成。

計算機視覺就是計算機在使用過程中的一些相關(guān)設備對生物視覺出現(xiàn)的一種模擬，最終出現(xiàn)讓計算機像人們一樣可以通過視覺看世界，計算機視覺能夠自己適應環(huán)境。要想判斷機器能不能理解現(xiàn)實的世界時，就可以看它能不能創(chuàng)造出一個真實的世界，如果人們不能分辨出是真實還是虛假的時候，就通過了圖靈的測試。在計算機出現(xiàn)之后，就在世界上出現(xiàn)了許多的生成算法，在傳統(tǒng)的算法中是利用手工提取的辦法和淺層模型組合進行結(jié)合從而實現(xiàn)目標的生成。

一、生成式對抗網(wǎng)絡內(nèi)容

（一）生成式對抗網(wǎng)絡的結(jié)構(gòu)

生成式對抗網(wǎng)絡有兩個模型存在：一個是生成模型，還有一個是判別模型。生成器和判別器都是函數(shù)，使用深層神經(jīng)網(wǎng)絡來實現(xiàn)。生成式對抗網(wǎng)絡結(jié)構(gòu)如圖

所示：

在生成對抗網(wǎng)絡中有極大和極小的雙玩家游戲的時候叫二人零和博弈。這里面包含兩個神經(jīng)網(wǎng)絡的零和游戲框架中進行相互的競爭。在系統(tǒng)中游戲的名字用函數(shù)來表示，這些函數(shù)都是可微性的。兩個玩家都是有自己定義的函數(shù)。兩個玩家的損失函數(shù)都需要依賴對方的函數(shù)，但是不能進行更新，在訓練之后也會達到一個納什均衡。

（二）生成網(wǎng)絡方面

生成器可以用微函數(shù)的方式來表示，當隨機輸入一個變量的時候，一般是利用高斯變量來生成一個假的樣本分布。所以對于微函數(shù)中就要求需要有少量的限制條件，對于輸出的變量可以是第一層，也可以是最后一層。但是要注意的是，這個微函數(shù)必須是可微的，因為這樣經(jīng)過判別器的時候就會通過梯度來進行參數(shù)的更新，要不然就會出現(xiàn)傳遞不了的現(xiàn)象出現(xiàn)。

（三）判別網(wǎng)絡方面

在生成對抗網(wǎng)絡中，判別器最主要的目標就是要判斷輸出的是不是真實的樣本，并且在根據(jù)這種真實的樣本進行及時反饋。在和生成網(wǎng)絡構(gòu)成一個零和的游戲。這個游戲主要是由兩種場景組成的，兩個玩家的模型要通過足夠的訓練，這樣游戲才會達到一個納什的均衡狀態(tài)。

（四）生成對抗網(wǎng)絡的優(yōu)缺點

自從生成對抗網(wǎng)絡出現(xiàn)以后，在許多的領(lǐng)域里面都會提到生成對抗網(wǎng)絡。在最開始提出這個的時候，假設的驗證出現(xiàn)的很少，在數(shù)據(jù)方面幾乎沒有任何的假設，是隨便存在的，最終的目標都是要讓生成對抗網(wǎng)絡有一個無限制的建模能力。其實生成對抗網(wǎng)絡的模型在設計的時候是非常簡單的，不需要先設計出一些復雜函數(shù)模型，利用反向傳播算法的訓練網(wǎng)絡就能夠讓生成器和判別器能夠正常的進行工作。生成對抗網(wǎng)絡還能創(chuàng)建許多不需要監(jiān)督的學習模型，這些模型都有非常厲害的算法框架，是用機器和機器進行對話，在通過自身的對抗和博弈，在經(jīng)過無數(shù)的數(shù)據(jù)訓練的方法，真正的學到一些和現(xiàn)實世界有關(guān)的內(nèi)在規(guī)律。事情都是有兩面性的，有利就有弊，在無限建模能力的目標的存在背后還存在很多的問題，因為生成的時候太過于自由的存在，就會在訓練的時候很難保證穩(wěn)定性和收斂性，這個時候就會出現(xiàn)模式崩塌的現(xiàn)象，更嚴重的能夠?qū)е掠柧殯]有辦法繼續(xù)進行;傳統(tǒng)的生成對抗網(wǎng)絡要是梯度消失了，就會在訓練的時候非常的困難，還能夠?qū)е律善骱团袆e器出現(xiàn)一些損失;因為生成對抗網(wǎng)絡本身的熱點，很難生成離散的分布。現(xiàn)在提出新的生成對抗網(wǎng)絡的目的都是為了更好的增加模型的穩(wěn)定性，從而更好的保證生成結(jié)果的質(zhì)量。

二、生成對抗網(wǎng)絡在計算機視覺領(lǐng)域的應用

（一）能夠在計算機里面生成一些高質(zhì)量的圖像

生成對抗網(wǎng)絡最開始只是應用在圖像生成和建模上，因為不管是監(jiān)督學習還是不監(jiān)督學習的方式，生成對抗網(wǎng)絡都能夠記錄真實的數(shù)據(jù)。研究者一直在經(jīng)過不斷的研究，為了讓生成的圖像更接近真實的圖像。

（二）能夠在計算機里面進行風格遷移和圖像翻譯

生成對抗網(wǎng)絡在計算機上還有一個有意思的應用就是風格遷移，意思就是把圖像從一種風格的情況變成另外一種的風格。

（三）能夠在計算機上進行文本和圖像之間的互相生成

生成對抗網(wǎng)絡能夠在圖像數(shù)據(jù)庫里面，經(jīng)過訓練生成和真實進行一些相似的分布，例如：生成對抗網(wǎng)絡可以在人臉數(shù)據(jù)集上通過一些訓練，就可以生成一些人臉分辨不出來的圖像，這些都是通過直接學習的方法進行分布的。

（四）能夠在計算機上進行圖像還原和修復

現(xiàn)在人臉識別的技術(shù)在實際生活中應用的越來越多，但是這種密集人群在檢測的時候就會非常的困難，這時候就需要利用一些科技的手段對局部到整體的信息進行識別。這時候就可以利用生成對抗網(wǎng)絡的技術(shù)提出雙路徑的生成對抗網(wǎng)絡，這種技術(shù)就能很好的改變現(xiàn)在的問題。

三、結(jié)論

作為一種生成模型的生成對抗網(wǎng)絡，為一些問題提供了很好的解決方法。還分析了生成對抗網(wǎng)絡在計算機的視覺方面的應用。其實生成對抗網(wǎng)絡就屬于是一個包容性的框架，這個框架能夠和許多的學習模型進行結(jié)合，解決了許多傳統(tǒng)機器解決不了的問題，為計算機事業(yè)做出了許多的貢獻。

參考文獻：

[1]王坤峰，茍超，段艷杰，等.生成式對抗網(wǎng)絡GAN 的研究進展與展望[J].自動化學報，2017，43 （3）：321-332.

[2]鄭華濱.令人拍案叫絕的Wasserstein GAN[EB/OL].2017-04-02 [ 2018-01-20 ].https：//zhuanlan.zhihu.com/p/25071913.