更深入理解StyleGAN，究竟什么在控制人脸生成，我该如何控制？
Dec 9, 2019
原创：岐山凤鸣，转载请注明本站域名
理解可能有偏差，有错误请指出~
参考：
[1] Image2StyleGAN: How to Embed Images Into the StyleGAN Latent Space?
[2] A Style-Based Generator Architecture for Generative Adversarial Networks
前言：这篇StyleGAN的follow文章很有点意思，也是19年ICCV的Oral论文，是对StyleGAN进行的更多的理解和分析，而正是这些理解和分析，让StyleGAN有了超越仅仅生成高清图像的领域，进而对GAN有了更多的理解也有了更多的操作空间。什么是对GAN的理解？GAN本质是根据一个空间的分布（如512d向量空间），得到另一个空间的分布（如1024x1024x3的人脸空间），如果对这个有更多理解后，对原空间进行一些操作，从而让目标空间根据你想要的结果发生变化，这是非常awesome的。
理解StyleGAN
先放一张用烂的神图：
这图直接表明了StyleGAN的网络结构，很直观有两部分组成，一部分是左边的mapping网络和右边的Synthesis网络。
先明确输入，输入是一段随机分布latent，记为zz，首先zz经过Norm后，直接由多个串联的FC进行映射，映射到latent space \omegaω，关于这个的中文说法，有的说是"潜空间"或者"隐空间"，总之我认为这个就是一个编码空间，每段编码经过仿射变换意味着一个 style，之后将style进行合成就能形成人脸。
那么原始输入latent映射到了latent space之后，假如原始latent的shape是[512]，那当前映射后的shape还是是[ 512]，再经过一些变换，得到n个[512]输入上图的A即仿射变换后得到n个style，其中每个style的编码是(2)的向量，即为(y_{s,i}, y_{b,i})(ys,i,yb,i)，i表示第几层。这里在代码实现的时候，直接将向量经过多个个FC后，broadcast到n个layer后经过updating moving average + style mixing regularization + truncation trick后即可，可直接输入(n,512)的编码dlatent。
这里知道了A的输出是什么之后，再看最右边，是n个高斯噪音输入，这个是直接对特征图作用的，关于GAN中加噪音的原因可以参考别的资料，这里基本就是引入随机的细节。接下来是右边网络的细节部分，看下两图：
这是一个自顶向下的结构，最顶上的输入是一个const的比如4x4x512的矩阵，层层会进行传递，每层都包括style的输入和噪音的输入，输出是一个[res, res, channel]的矩阵，跨层的时候需要降采样，层内传递需要一个AdaIN模块和3x3的conv，最底层输出的是[1024,1024,3]的生成图像。AdaIN的模块公式上面给了，意思很简单，对特征图进行标准化后，和两个style值进行平移和缩放，然后一起经过conv。这个操作很像BN，但不同的是两个style值是根据编码来的，而不是特征图，这里对理解来说很重要，理解了BN也就能理解这个AdaIN模块的重要性。
简略的说，从代码层面考虑，整个过程很简单，就这样：
- 输入一个随机向量z，shape=(512,1)
- 多个FC对随机向量直接进行变换，得到
z_{latent}zlatent，shape=(512,1) - 复制n层
z_{latent}zlatent，n表示右边结构的层数，shape=(n,512)，经过uodating moving average + style mixing regularization + truncation后，得到dlatent，shape=(n,512) - 先得到一个初始const图，往下进行输入
- 进行每层结构的计算，结构开始需要一个降采样，比如(4,4,512)降采样到(8,8,512)，给feature_map加点高斯噪音，然后标准化。对输入的512的latent进行放射变换得到两个y，根据两个y对标准化的feature_map进行放缩和平移，之后输入conv进行channel变化
- 将n个结构都跑完，前几个结构都是4x4,8x8这种小的，主要是学的轮廓啊，头发在哪啊这些玩意，中间的几个结构比如32x32,64x64这种大一点的，主要是学的更多的人脸表情啊，眼睛啊什么的，最后几个更大的比如256x256,512x512,1024x1024学的就是超细节的比如毛发啊，颜色啊什么的。
- 输出最后的1024x1024x3
所以可以看到这个过程并不难，有兴趣的同学可以去读源码，读源码的话，一个完整的链是这样的：
- 302行的G_style是完整的生成器流程
- 334行定义synthesis网络，即440行的G_synthesis，同时了解总层数这些信息，dlatent的shape即是(n_layers,512)这种
- 338行定义mapping网络，即384行的G_mapping
- 根据随机的latent生成dlatent，四个步骤嘛，分别是345行的mapping，然后是348行的update，然后是356行的style mixing，然后是369行的truncation，最后得到dlatent
- 378行直接将dlatent输入syntheis网络即可，噪音均在中间生成。
只有上述过程全部了解，才能开始下面的内容，所以要理解如何进行嵌入和编辑，必须对StyleGAN有很完整的理解。
到底什么东西在控制人脸生成？
一句话，dlatent，其shape=(n_layers, 512)。
这到底是什么东西？
刚刚已经说了，它的前面几层在做什么？前面几层是4x4,8x8这种小图，前面几层的风格即是脑袋轮廓，头发位置这些显而易见的宏观风格。
所以它的中间几层，不断的一点点放大，去学的细节就会越来越多，n_layers越多，给的细节就越丰富，细节程度是自顶向下的那种，最顶部的细节是粗糙的，最底部的细节是最精细的。
每一个结构里，输入的dlatent 512编码，都仿射变换到了两个数y，然后带噪声的特征图通过标准化后用这两个y进行平移和放缩（AdaIN），所以实际控制风格的只有y，y来自于dlatent，这即表示输入当前层的dlatent即包含风格。
举个很简单的例子，比如你最后要输出256x256x3的清晰图像。那么整个res的变化是：
(4,4) -> (8,8) -> (16,16) -> (32,32) -> (64,64) -> (128,128) -> (256,256)
这一共是7个要变化的res，也就是需要7个结构，每个结构是包含两层的（一层欠采样，一层正常变换），所以一共14层，那么原始的z编码后是得到(14, 512)的编码，分别输入这14层。
第一层之前首先先init了一个(4,4,512)的东西，这时候还不是图像，然后加个噪音后标准化，将dlatent的第一个(512)提出来放射变换到y1,y2后对标准化后的图进行控制平移和放缩，然后一层层的输入。
所以就是这么简单，(14,512)的编码，一层层逐级的在控制人脸的生成。如果你改变(14,512)的前两三层，可能这个人的脑袋就变了，如果改了最后两三层，可能这个人的肤色什么的，毛孔什么的会发生变化。
如何控制人脸的特征生成？
既然了解了什么在控制人脸生成后，我们要进行控制，就变得很简单，只需要控制这个dlatent即可了。
那么到底如何控制？比如我现在有一张照片I，里面描述的是一个人严肃的表情，我想让他笑起来怎么办？
那么首先，先预训练上述的StyleGAN，得到了G，其中输入(14,512)的编码，会通过G得到一张256,256的图，这时候需要做一个类似AE结构的训练，训练什么？
我们得训练一个编码器，输入I后，得到人脸识别的emb前一层的feature_map，然后用这个feature_map经过一个编码结构，得到(14,512)的编码，然后输入参数冻结的G，得到了假图I'，再通过一个预训练的人脸识别网络N(I, I')增加一个损失L给整个编码器，训练编码器。
这到底在干嘛？很简单，我们希望能够得到I这张照片的编码而已，也就是希望控制预训练且参数冻结的G生成出I这张照片。这样我们才能得到I的dlatent，得到dlatent后，通过控制dlatent才能编辑I这个人脸的特征，比如发色什么的。
到这步，我们手上得到了两个东西，生成器G，编码器E，要让I笑起来，怎么办？
这时候需要得到一组人脸数据对(I_1, I_2)(I1,I2)，满足一个条件，前者是严肃不笑的照片，后者是笑的照片，都进入E后得到一组两个编码(E_1,E_2)(E1,E2)，根据之前的理论，很明显啊，这一组从E_1 -> E_2E1−>E2的方向向量，即是控制人脸笑起来的关键因素，当然这个方向向量也是(14,512)的shape。所以现在唯一要做的，就是求解出这个方向向量，然后作用到E(I)上，那么G(E(I) + \vec{w})G(E(I)+w)就是让I笑起来的图了。
其他的例如表情迁移（哭->笑）、特征迁移（白发->黑发）这些都用类似的操作就可以很容易的实现。关于求解这个向量，这个问题下节进行详述。
[闲谈]论被StyleGAN摧残的一天
Dec 9, 2019
原创：岐山凤鸣，转载请注明本站域名
这段时间做了很多GAN相关的研究，因为希望将之前投稿CVPR的文章结合GAN一起，做一点更强的工作，甚至是开创性的工作。
所以我兴冲冲的从DCGAN开始，复现了一个当前国内还没有的仅靠一段声纹生成人脸的应用，具体可以从Demo这里看到。当然，这个是从DCGAN出来的，人脸呢，很模糊，细节基本都不清晰，分辨率更是只有可怜的64x64，还不能改。
于是从DCGAN转战到17年传言巨强的WGAN，根据WGAN-GP的各种原理，对我的网络进行了从网络结构，到loss层面的大修改，这时候我还不能充分的理解WGAN带来的巨大的变革，只能从它论文中对DCGAN错误的推导，和大家纷纷惊叹的评论中知道，这个解决了很多原生GAN的问题，让调参变得更简单。
从这篇知乎文章中，了解到它的改进主要基于四点：
- D去掉了sigmoid
- D和G的loss，不再用以前的sigmoid交叉熵形式，而是直接对向量编码的输出取sum
- D的参数截断
- 采用不基于动量的优化算法
相比于具体的技术细节，我这里更想分享一下我个人的经历和感受。到这里为止，两年来所有的深度学习模型，机器学习模型，我都尽量的从头到尾，自己按照论文和相关的代码进行复现，自己调出一套最好的参数，从来不会直接把别人的代码弄下来，简单复现一下就再也不去探讨细了。而遇到WGAN的时候，出现了第一个问题，那就是明明计算图、输出均是按照正确的形式搭的，在进行了从DCGAN形式到WGAN形式的转变后，G竟然无法生成正常的图像，它的输出变成了一团糟的乱码。
我尝试把loss再改回去，发现就没有问题了。这仿佛在说DCGAN比WGAN的效果要好，于是回头进行了各种检查，发现了两个问题：
- 我的框架里除了D做判别外，还有一个分类器C做人脸的类别分类
- GAN的调参之路是比图像识别更难的，我还需要进一步的调整参数
所以就陷入了问题，上述两个总结一点便是经验不足，所以这里我陷入了迷茫，究竟要怎么改？要严格改为和已有代码仓库中一样的参数么？另外一条线里，我在研究GANimation的损失，这里同样遇到了问题，讲究太多了。这才深深明白深度学习被称为炼丹的原因，在之前图像识别的境界里没有遇到这么多和理论复杂的参数。
之后放弃了WGAN的调参，一边进行动画的分析，一边继续寻找更好的人脸GAN，直到我遇到了StyleGAN，这下可把我震撼到了，高分辨率的生成，举个刚出炉的生成的栗子：
很难相信这是用算法生成出的假脸，因为细节实在是太丰富了，用我自己的眼睛去看，我甚至相信这确实就是一张正常的照片，但可惜世界上不存在这样的人。有好事者之后做了一个很火的网站，https://thispersondoesnotexist.com/，每一次刷新都能得到一张不存在的人脸图，这非常的神奇，不得不说NVIDIA大法好。
于是我对着StyleGAN源码，准备进行重现和学习，先按照Guideline进行了test的尝试，这时候我还没意识到什么，只是感叹这个跨平台的性能做的太好了，直接下完代码后，就能够跑起来得到测试结果。直到看了看细节，再看了看train，我惊呆了，同样是TensorFlow，为什么他这么秀？TensorFlow的代码居然可以写成这样。
这里必须要原谅我的无知，在我早期进行图像识别时，一般是先参考TF官方的源代码的示例，进行搭建，从给出的各个经典模型里进行代码写法的归纳总结，但torch的代码看多了以后，我一度认为Python里torch的代码写的比TF优雅多了，而且更加的pythonic。我在使用TF进行计算图搭建，数据处理的时候，往往都写成流处理的模式，和写sh脚本一样，达到效果即可，很难实现其的封装性。
原本的TF流程大致是这样：
- 原始数据的索引构建
- 数据输入、预处理的离线或Tensor行为
- 计算图的搭建，从Placeholder到opt.minize
- 训练流程与测试流程的搭建
而这四步，都是顺序的，流处理形式的，通过这样的方法，我基本都能够很容易的进行他人代码的复现，并且能找到对应的bug，了解更多的细节，我一度认为我自己写代码的瓶颈，在于代码的优雅度，而不在其他方面。现在StyleGAN的源码给了我更多的思路，原来的方法虽然能实现功能，但并不高效，部署效果不好，提示信息不够，高层的逻辑难搞。NVIDIA给出的方案是：
- 预先定义好一套深度学习的内核系统，可以随便复制到其他的项目下进行使用。
- 训练的时候，采用字典驱动的方法，直接链接对象，无论是数据，方法等。
- 测试/部署的时候，无论计算图和预训练和参数，直接加载预训练好的二进制项目。
纸上得来终觉浅，看上去很简单，各位看官可以自行去研究上述的Style源码，会发现非常的头疼，封装性高到很难在里面进行一些修改，但即便如此，可读性又维护在一个很高的层次，这是非常的厉害，正符合去突破我当前存在的瓶颈：代码质量不高、工程化不足。今天被StyleGAN摧残了一整天，但我也成功跑起来了我自己收集的Chinese数据集和修改后的版本，看着训练数的跳动，从4x4到8x8到16x16最终回到1024x1024的过程也是非常的令人兴奋。之后会进一步的修改Demo中提供的展示，希望有一天自己做的东西，不管是功能、技术还是优雅的层面，也能得到如此的认可。