论文笔记之：Generative Adversarial Text to Image Synthesis
Generative Adversarial Text to Image Synthesis
ICML 2016
摘要：本文将文本和图像练习起来，根据文本生成图像，结合 CNN 和 GAN 来有效的进行无监督学习。
Attribute Representation: 是一个非常具有意思的方向。由图像到文本，可以看做是一个识别问题；从文本到图像，则不是那么简单。
因为需要解决这两个小问题：
1. learning a text feature representation that captures the important visual deatails ;
2. use these features to synthesize a compelling image that a human might mistake for real.
幸运的是，深度学习对这两个问题都有了较好的解决方案，即：自然语言表示 和 image synthesis 。
但是，仍然存在的一个问题是：the distribution of images conditioned on a text description is highly multimodal，in the sense that there are very many plausible configurations of pixels that correctly illustrate the description.
Background ：
1. GANs.
此处略，参考相关博客。
2. Deep symmetric structured joint embedding.
为了得到一个视觉上可以判别的文本表示（text description），我们采用了一个 CVPR 2016 的一篇文章，利用 CNN 和 recurrent text encoder 根据一张 Image 学一个对应的函数。这个 text classifier 是通过以下的 structure loss 进行训练：
其中，$\{ v_n, t_n, y_n \}$ 是训练数据集合, $\delta$ 是 0-1 loss，$v_n$ 是image，$t_n$ 是 text description，$y_n$ 是class label。
分类器 $f_t$, $f_v$ 参数化如下：
其中，一个是 image encoder，一个是 text encoder。当一张图像有了其类别信息的时候，文本的编码应该有更高的兼容性得分，反之亦然。(The intuition here is that a text encoding should have a higher compatibility score with image of the corresponding class and vice-versa。)
Method :
我们的方法是为了基于text feature，训练一个深度卷积产生式对抗网络 (DC-GAN)。
1. Network architecture .
基本概念：产生器 G ；判别器 D ;
以上，就是本文提出的整个网络框架。
首先看产生器 G，将文本信息经过预处理得到其特征表达，然后将其和 noise vector 组合在一起，输入到接下来的反卷积网络中，最终生成一幅图像；
再看判别器，将图像进行卷积操作后，我们将本文信息在 depth 方向上组合原本图像卷积得到的feature 上，然后得到一个二元值。
2. Matching-aware discriminator (GAN-CLS) :
最直接的方法进行 conditional GAN 的训练是将 pairs (text, image) 看做是一个联合的观察（Joint Observations），然后训练判别器来判断这个 pair 是 real or false。这种条件是 naive 的，当处于 the discriminator 没有明显的 notion 是否 real training images match the text embedding context。
在 naive GAN，the discriminator 观察到两种输入：real image 和 匹配的 text；以及 synthetic images 和 随意的 text。所以，必须显示的将两种 errors 分开：
unrealistic images （for any text）， and realistic images of the wrong class that mismatch the conditioning information。
基于这可能会增加了学习 dynamics 的复杂性，我们修改了 GAN 训练来分开这些 error source。
除了在训练阶段，提供 real / fake inputs 给 discriminator 之外，我们增添了第三种输入，即：real images with mismatched text，which the discriminator must learn to score as fake。通过学习 image / text 的 matching，还要学习 image realism （图像的真实性），判别器可以提供额外的信息给产生器（the discriminator can provide an additional signal to the generator）。
算法 1 总结了训练的过程。
3. Learning with manifold interpolation (GAN-INT) 流型插值
Deep network have been shown to learn representations in which interpolations between embedding pairs tend to be near the data manifold.
深度学习发现当接近数据流型的数据对之间进行插值 来学习表示。
受到这个发现的启发：我们可以产生一个 large amount of additional text embeddings by simply interpolating between embeddings of training set captions。
关键是，这些插值的 text embeddings 不需要对应上任何真实的 human-written text，所以，不需要额外的 labeling cost。
这个就可以看做是：在产生器的目标中增加一个额外的项：
由于插值的 embeddings 是伪造的，判别器并没有对应的 image and text pairs 来进行训练。但是，D 学习到了是否当前 image 和 text 相匹配。
4. Inverting the generator for style transfer.
如果 text encoding 可捕获图像的 content，比如：flower shape 和 colors，然后 为了保证一个真实的图像，the noise sample Z 应该可以捕获 style factors，如：背景颜色和姿态。有了一个 trained GAN，我们可能希望转换一个图像的类型，根据特定的文本描述的内容。为了达到这个目的，我们可以训练一个 CNN 来翻转 G 以使得从样本进行回归 到 Z。我们利用一个简单的 squared loss 来训练 style encoder：
其中，S 是 style encoder network。有了训练的产生器 和 类型编码，style transfer 根据样本 t 从一张 query image x 执行下列步骤：
其中， x 是结果图像， s 是预测的 style。
Experiments .
