港中文周博磊团队最新研究：无监督条件下GAN潜在语义识别指南

选自arXiv

作者：Yujun Shen、Bolei Zhou

机器之心编译

参与：蛋酱、魔王

无监督条件下，GAN 模型潜在语义的识别似乎是一件非常具有挑战性的任务。最近，香港中文大学周博磊等人提出了一种名为「SeFa」的方法，为该问题提供了更优解。

SeFa 方法能够识别出不同 GAN 模型的潜在语义，进而进行图像编辑。如下图所示：

除了动漫以外，SeFa 方法还可以处理场景、人物、动物、物体等不同的图像。

下图展示了对「猫片」的操控效果：

猫姿势的左右移动。

猫姿势的上下移动。需要注意的是，在图像变换过程中，我们可以看到，还是有伪影的存在。

借助 SeFa 方法，我们还可以调整车辆的形状：

以及调整车辆方向：

更多效果展示，请戳以下视频：

接下来，我们来看该问题的难点以及 SeFa 方法的新颖之处。

如何解释 GAN 的潜在空间？

生成对抗网络（GAN）在图像合成领域的应用已经十分广泛。近期的一些研究表明，在学习合成图像时，GAN 会自发地在潜在空间中表示出多种可解释属性，如用于人脸合成的性别特征、用于场景合成的光照条件。通过正确识别这些语义，我们可以将 GAN 学习到的知识重新利用，合理地控制图像生成过程，从而实现图像编辑功能的更广泛应用，如人脸操纵和场景编辑。

解释 GAN 潜在空间的关键点在于找到与人类可理解属性相对应的子空间。通过这种方法，将潜码（latent code）向特定子空间的方向移动，即可对应地改变合成图像的语义。然而，由于潜在空间的高维性以及图像语义的多样性，在潜在空间中寻找有效方向是极具挑战性的。

现有的监督学习方法通常先随机抽取大量潜码，然后合成一组图像，并使用一些预定义标签进行图像标注，最后利用这些标注样本学习潜在空间中的分离边界（separation boundary）。要想得到训练该边界的标签，要么引入预训练语义预测器，要么利用图像的一些简单统计信息。

港中文周博磊等人提出新方法「SeFa」，解释 GAN 内部表征

以往的方法严重依赖于预定义的语义和标注样本，存在局限性。最近，来自香港中文大学的研究者提出了一种新的生成方法，不再将合成样本作为中间步骤，而是通过直接探索 GAN 的生成机制来解释其内部表征。

论文地址：https://arxiv.org/pdf/2007.06600.pdf
代码地址：https://github.com/genforce/sefa
项目主页：https://genforce.github.io/sefa/

具体而言，对于所有基于神经网络的 GAN，第一步通常采用一个全连接层将潜码输入到生成器中，它提供了将潜在空间投影到变换空间（transformed space）的驱动力。这种变换实际上过滤了潜在空间中一些不重要的方向，从而突出了图像合成的关键方向。

能够识别这些重要的潜在方向，我们就能够控制图像生成过程，即编辑合成图像的语义。

在这篇论文中，研究者提出了一种新颖而简单的闭式方法「SeFa」，可用于 GAN 的潜在语义分解。现有方法通常使用三个步骤（采样、标注和边界搜索），而 SeFa 方法只需使用 GAN 模型学得的权重进行语义发现。

实验结果表明，这一方法能够通过非常快速和高效的实现（1 秒内），识别通用的潜在语义，在无监督条件下即可从不同类型的 GAN 模型中识别多种语义。具体方法可见论文。

下图展示了一些操作实例。即使我们不知道图像中对象的底层 3D 模型或姿态标签，也仍然进行旋转，并且该方法支持在 PGGAN、StyleGAN、BigGAN、StyleGAN2 等多个 GAN 模型中发现人类可理解的语义。

SeFa 的实验效果

研究者在多个 SOTA GAN 模型上进行大量实验，以评估所提出方法的效果，这些模型包括 PGGAN、StyleGAN、BigGAN 和 StyleGAN2。这些模型在多个数据集上进行了训练，包括人脸（CelebA-HQ 和 FF-HQ）、动漫人脸、场景和物体（LSUN）、街景和 ImageNet 等。为了对人脸进行定量分析，研究者在之前研究 [23] 的基础上，使用 ResNet-50 在 CelebA 数据集上训练了一个属性预测器。

无监督基准的对比

下图 3 展示了与基于采样的无监督方法之间的定性对比。

可以看出，SeFa 的生成结果（b 行）更接近于监督方法 InterFaceGAN（c 行）所生成的结果。例如在 StyleGAN 上使用 PCA 编辑姿势时，身份和发型会发生变化（a 行）。