生成对抗网络(GAN)核心原理剖析与图像生成实战

1次阅读

没有评论

共计 1713 个字符，预计需要花费 5 分钟才能阅读完成。

生成对抗网络 (GAN) 与变分自编码器(VAE)、自回归模型相比具有显著差异：

潜在空间连续性：GAN 的生成器 $G$ 直接学习从随机噪声 $z$ 到数据空间的映射，无需像 VAE 那样受限于变分下界的约束，能生成更清晰的样本
对抗训练机制：通过判别器 $D$ 提供的梯度信号，GAN 能捕捉数据分布的细微特征，而自回归模型依赖严格的序列生成顺序
生成质量：在图像生成任务中，GAN 生成的样本通常比 VAE 更锐利，避免了后者的模糊效应

GAN 的优化目标可表示为 minimax 博弈：

$$
\min_G \max_D V(D,G) = \mathbb{E}{x\sim p[\log(1-D(G(z)))]
$$}}[\log D(x)] + \mathbb{E}_{z\sim p_z

生成器 $G$：试图生成逼真样本欺骗判别器，目标是最大化 $D(G(z))$
判别器 $D$：作为二分类器，目标是准确区分真实样本 $x$ 和生成样本 $G(z)$

import torch
import torch.nn as nn

# 生成器网络结构
class Generator(nn.Module):
    def __init__(self, latent_dim=100, img_channels=3):
        super().__init__()
        self.main = nn.Sequential(
            # 输入: latent_dim 维噪声
            nn.ConvTranspose2d(latent_dim, 512, 4, 1, 0, bias=False),
            nn.BatchNorm2d(512),
            nn.ReLU(True),
            # 输出尺寸: (512,4,4)
            nn.ConvTranspose2d(512, 256, 4, 2, 1, bias=False),
            nn.BatchNorm2d(256),
            nn.ReLU(True),
            # 输出尺寸: (256,8,8)
            nn.ConvTranspose2d(256, 128, 4, 2, 1, bias=False),
            nn.BatchNorm2d(128),
            nn.ReLU(True),
            # 输出尺寸: (128,16,16)
            nn.ConvTranspose2d(128, img_channels, 4, 2, 1, bias=False),
            nn.Tanh()  # 输出像素值归一化到[-1,1]
        )

    def forward(self, z):
        return self.main(z)

关键实现细节：

转置卷积 ：通过ConvTranspose2d 实现上采样
BatchNorm：稳定训练过程，但需注意判别器中不宜使用
Tanh 激活：将生成图像像素值约束到合理范围

特征表现：生成器只产生有限几种样本模式
解决方案：
采用 Mini-batch 判别
添加多样性正则项
使用 Wasserstein GAN 缓解梯度消失

学习率：通常设置为 2e-4（Adam 优化器）
批量大小：建议 64-256 之间
标签平滑：防止判别器过度自信

Fréchet Inception Distance (FID)计算流程：

提取真实图像和生成图像的 Inception-v3 特征
计算两个多元高斯分布之间的 Wasserstein- 2 距离
分数越低表示生成质量越好

from torchmetrics.image.fid import FrechetInceptionDistance

fid = FrechetInceptionDistance(feature=2048)
# 更新真实图像特征
fid.update(real_images, real=True) 
# 更新生成图像特征
fid.update(fake_images, real=False)
print(f"FID score: {fid.compute():.2f}")