筆者最近在集中時間學習對抗生成網絡（GAN），特別是深度生成先驗進行多用途圖像修復與處理，需要對圖像修復與處理經典論文進行回顧和精讀。

將從圖像修復與處理的經典之作DGP《Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation》開始，重啟精讀之路。

DGP提出了一種挖掘GAN中圖像先驗的方式，在多個任務上揭示了GAN作為一種通用圖像先驗的潛力。

論文提出了同時插值隱變量和生成器的漸變式圖像反演方法，可以應用于復雜圖片的對抗防御，在實驗中DGP所展現出的強大的像素間空間關系模擬能力也十分有趣。

Deep generative prior的圖像復原效果

01深度生成先驗

深度圖像先驗DIP僅依靠輸入圖像的統(tǒng)計信息，無法應用于需要更一般的圖像統(tǒng)計信息的任務，如圖像上色和圖像編輯。

我們更感興趣的是研究一種更通用的圖像先驗，即在大規(guī)模自然圖像上訓練的GAN生成器用于圖像合成。具體來說，是一個基于GAN-inversion的圖像重構過程。

在實踐中，僅僅通過優(yōu)化隱向量z難以準確重建ImageNet這樣的復雜真實圖像。訓練GAN的數據集（ImageNet）本身是自然圖片中很少的一部分，GAN受限于有限的模型性能和mode collapse，其模擬的圖片分布與訓練集圖片分布也存在鴻溝。

即使存在以上限制，GAN仍然學習了豐富的圖片信息，為了利用這些信息并且實現精確重建，我們讓生成器online地適應于每張目標圖片，即聯(lián)合優(yōu)化隱向量z和生成器參數。

我們將此新的目標稱為深度生成先驗（DGP），DGP顯著提高了圖像重構的效果。設計合適的距離度量和優(yōu)化策略非常關鍵，在重建過程中，生成器原始的生成先驗被修改了，輸出真實自然圖像的能力可能會下降。

02判別器指引的漸進式重建

從 latent space Z 中隨機抽取幾百個候選的初始 latent code，并選擇在度量L下重構效果最好的一個。

在GAN重建中，傳統(tǒng)的距離度量方法是 MSE 或 Perceptual loss。優(yōu)化生成器參數時，將這些傳統(tǒng)距離度量用在圖像恢復如上色任務中，常常無法準確恢復顏色，并且重建過程中圖像會變得模糊，需要設計更好的優(yōu)化方式來保留生成器的原有信息。

我們在該工作中選擇使用與生成器對應的判別器來作為距離度量。與Perceptual loss所采用的VGGNet不同，判別器并非在一個第三方的任務上訓練，而是在預訓練時就與生成器高度耦合，它天然地適用于調整生成器的輸出分布。

使用這種基于判別器的距離度量時，重建的過程更加自然和真實，最終顏色恢復的效果也更好。

其中D（x， i）代表以x作為輸入時判別器第i個block輸出的特征

雖然改進的距離度量帶來了更好的效果，但是圖像復原的結果仍存在非自然痕跡，因為生成器在針對目標圖片優(yōu)化時，淺層參數匹配好圖片整體布局之前，深層參數就開始匹配細節(jié)紋理了。

上面的蘋果圖是幾種訓練策略的對比，從三行效果可以看出，有的蘋果在訓練初期沒被染上色后期還是沒被染上色，我們把這種現象稱作“信息滯留”。

對策就是：使用漸進式重建的策略，即在微調生成器時，先優(yōu)化淺層，再逐漸過渡到深層，讓重建過程“先整體后局部”。

與非漸進策略相比，這種漸進策略更好地保留了缺失語義和現有語義之間的一致性。

03重建結果

使用BigGAN模型，基于ImageNet進行訓練，使用ImageNet驗證集中的1000張圖像進行實驗，取每類的第一張，相比于其他方法，DGP取得了非常高的PSNR和SSIM，視覺上的重建誤差幾乎難以察覺。

04實驗

因為GAN刻畫了自然圖像的先驗，因此可以完成很多的任務：比如上色、補全、超分辨率等等，還能進行圖像處理。下面放一些效果圖。

圖像上色

使用ResNet50上的分類精度作為定量評估結果， 下列方法的精度分別為 51.5%， 56.2%， 56.0%， 62.8%。

圖像補全

超分辨率

靈活性

隨機擾動

總結

GAN作為圖像領域最強大的生成式模型之一，學習到了豐富的自然圖像流形，可以對自然圖像的恢復和編輯帶來巨大幫助。

利用好大規(guī)模預訓練模型的能力是深度學習目前各個領域的流行前沿，可以減少對訓練數據的需求，整合相近的研究領域。

未來更強大的生成式模型，將帶來更具實際應用價值的圖像恢復和編輯應用，有望在更廣泛的領域落地

原文標題：深度學習論文精讀［GAN］：利用深度生成先驗進行多用途圖像修復與處理

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。