《Image-to-Image Translation with Conditional Adversarial Networks》论文笔记
Image-to-Image Translation with Conditional Adversarial Networks
重点：提出了一种用于图像翻译任务的通用框架——CGAN用于图像翻译（Pixel2Pixel）。
（paired data）
结构：生成器
判别器：PatchGAN——捕捉高频细节，L1距离（欧式距离）捕捉低频细节
（N*N patch远小于一张图片的大小：本实验中70*70最佳，更小PatchGAN原因：有更少的参数，运行速度快，可以应用于任何大型数据集。应用：texture和style loss）
目标函数：
对于图像翻译任务而言，G的输入和输出之间其实共享了很多信息，比如图像上色任务，输入和输出之间就共享了edges信息。因而为了保证输入图像和输出图像之间的相似度。还加入了L1 Loss
具体应用：
- 从label maps中合成图像；
- 从edge maps中重构图像；
- 图像上色；
- 语义分割
实验结果：
- 目标函数的ablation study
仅使用L1，可以得到合理的结果，但是会很模糊；仅使用cGAN，可以得到更加清晰的结果但引入了人工的痕迹，L1+cGAN可以减少人工痕迹，图像的清晰度仍然不够。而且在FCN-scores上，L1+cGAN取得了最好的结果，仅使用GAN损失函数的结果最差。
- 生成器和判别器的ablation study
1*1为pixelsGAN，286*286为imageGAN，其余为patchGAN。实验证明当patch大小为70*70时，可以获得最佳的实验结果。后期的实验结果显示，pixelGAN能获得更丰富的色彩显示，但对空间清晰度没有什么作用。PatchGAN优点就是固定尺寸的判别器能应用于任意尺寸的图像，比如在256*256图像上训练生成器，在512*512图像上测试。
从上图中可以看到，生成器添加了skip connection后，可以获得更高的成像质量。
- 其它应用
基于条件生成对抗网络，对其它图像翻译任务同样适用，比如图像着色、、照片修复、进行语义分割、图像背景移除、素描照片生成等，并且都能取得不错的结果。
分析
论文提出了一种用于图像翻译任务的通用框架——生成器为U-net、判别器为PatchGAN的cGAN，目标函数中引入了L1距离，可以提升图片的低频细节。并对部分图像翻译任务进行了实验，结果也显示所提出的结构的有效性。但是也有一些问题，比如图片的清晰度不够，纹理不够逼真，生成的图片多样性缺乏；若有人工的痕迹加入，会导致结果的偏差等。但对图像翻译任务来说，是一个重要的启发，也广泛的用在了图像任务上，并通过不断的改进适应，取得了很好的效果。