1. 介绍
发表于2021年，来自德国海德堡大学IWR研究团队。最大的亮点在于其可以生成百万像素级别的图片。
讯享网
VQGAN的突出点在于其使用codebook来离散编码模型中间特征，并且使用Transformer（GPT-2模型）作为编码生成工具。codebook的思想在VQVAE中已经提出，而VQGAN的整体架构大致是将VQVAE的编码生成器从pixelCNN换成了Transformer，并且在训练过程中使用PatchGAN的判别器加入对抗损失。
2. 详情
整理一下，输入x，通过编码器E得到z，然后离散化得到 z q z_q zq，然后解码器G得到 x ^ \hat{x} x^
训练的部分和VQ-VAE基本相同，自监督损失为：
另一部分损失为GAN中的对抗loss，比如用 E ( D ( x ^ ) ) E(D(\hat{x})) E(D(x^))。
对于判别器D（patch-based）而言，其损失函数可以笼统地表示为
L G A N ( { E , G , Z } , D ) = E ( D ( x ) ) + E ( 1 − D ( x ^ ) ) L_{GAN}(\{E,G,Z \},D) = E(D(x))+E(1-D(\hat{x})) LGAN({
E,G,Z},D)=E(D(x))+E(1−D(x^))
则优化目标为：
到这里，我们训练除了code book Z，cnn生成器E，和cnn解码器G
3. transformer使用
生成图片的时候，我们并没有x，因此在最终生成结果时，我们需要丢弃掉CNN生成器E，而使用transformer来生成z。我们从Z中选一个初始的code，然后用transformer一步步推出完整的code列表，然后再送入G进行解码。
训练方法是，使用当前的 z q ∈ R h × w × n z z_q\in R^{h\times w\times n_{z}} zq∈Rh×w×nz，得到 h w hw hw个维度为 n z n_{z} nz的code，随机替换其中一部分code，即modified_indices，通过训练使用transformer重构出unmodified_indices。训练损失函数为cross-entropy交叉熵损失。
在VQVAE工作中，生成code这一步是使用PixelCNN来实现的。但是从效果上已经看出了，VQVAE只能生成低分辨率的64×64的图像，而在Transformer的大力支持下，VQGAN已经实现了百万像素图像的生成。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/15616.html