StyleGAN论文笔记+修改代码尝试3D点云生成

StyleGAN论文笔记+修改代码尝试3D点云生成

引用

CSDN

1.

https://m.blog.csdn.net/yfy1127yfy/article/details/94627685

StyleGAN是NVIDIA提出的一种生成对抗网络（GAN）模型，通过引入"风格"的概念，实现了对图像生成过程的更精细控制。本文详细介绍了StyleGAN的核心贡献和网络结构，并展示了作者对源码的修改以尝试生成3D点云的效果。

一、介绍

虽然目前的GAN生成的图片质量和分辨率都有了很大提高，但还是存在一些问题：

1. 生成器依然是个黑盒，对生成图片过程中的各个方面依然无法理解，比如随机特征的起源。
2. 潜在空间的性质也没有得到很好的理解，已证明的潜在空间插值并没有提供定量的方法来比较不同的生成器。

本文设计的生成器，揭示了控制图像合成过程的新方法。我们的生成器，起始于学习到的常量输入，并且在之后的每个卷积层，基于潜在代码，调整图片的“风格”，因此直接控制图像特征在不同尺度下的强度。

二、主要内容

1、基于风格的生成器网络结构

右侧Noise部分，给生成图片带来细节上的多样性：

• 高斯Noise先输入B
• B是学习出的每通道scale系数，自动控制Noise对生成图片的影响大小
• Noise在每次卷积之后输入（相当于bias）

左侧z,w部分，控制生成图片风格：

• 把输入z映射到中间值w，z就是GAN网络常见的输入噪声。
• 通过学习得到的仿射变换A，自动控制w变成图片的“风格”style
• style输入到每个卷积+B之后的AdaIN(AdaIN是正则化，所以最后)中，每次输入都是对生成网络g的一次风格控制

中间生成网络g，是生成图片的主干：

• 起始于常量Const，这个常量并不能控制图片风格。
• g网络共18层，每两层2倍升采样一次，输出为高清的1024*1024
• 最后输出为RGB

AdaIN的定义：
表示每个feature map
表示style值，

2、风格混合

在每次训练中，使用两个潜在值z1，z2，而不是一个z来训练数据。在生成图片时，替换输入两个不同的潜在值z1,z2,映射得到w1,w2,输入到AdaIN中的风格参数是两个不同的值，生成两个被z1、z2同时控制的图片。

图中，有两组图片source A 和 B，分别用潜在值z1(n=6)和z2(n=5)生成。然后用z1和z2混合生成图片，在生成网络g中，不同尺度的层处，使用z2,其余位置用z1，可以观察到不同尺度输入z2带来的效果。

• Coarse行：
  在4x4、8x8处，输入z2，B 控制了高层次信息，比如姿态、发型、脸型、眼镜等。
  其余位置输入z1，A控制了中、低层次信息，比如颜色、皮肤细节。

• Middle行：
  在16x16、32x32处，输入z2，B 控制了中层次信息，比如一部分发型、眼睛开闭等。
  其余位置输入z1，A控制了高、低层次信息，比如姿态、脸型、眼镜，以及颜色等细节。

• Middle行：
  在64x64~1024x1024处，输入z2，B 控制了低层次信息，比如颜色、皮肤细节等。
  其余位置输入z1，A控制了高、中层次信息，比如姿态、发型、脸型、眼镜，以及眼睛开闭等细节。

3、 随机变化

人体肖像中有很多方面可以被认为是随机的，比如头发、胡茬、雀斑或皮肤毛孔的精确位置。本文通过在卷积层后加入像素级（特征值矩阵）的噪声来实现。

4、解纠缠

一个潜在空间，包含了多个线性子空间，这些子空间各自控制着变化的一个因素，潜在空间的采样概率应该与训练数据中对应的数据密度吻合，但是由于训练数据有限，这两者往往不吻合，这会导致一些问题。

（z这个噪声输入，根据不同的代码，是符合某一种分布的，但是训练数据有限，肯定无法覆盖z的分布，部分z是没有对应的训练数据的）

作者举了个例子，以头发长短和性别为特征：

• 假设训练集里没有长发男性，那么训练集特征的分布就是（a），左上角长发男性缺失。
• 缺失的训练数据，迫使从z到训练集特征的映射成为曲线，如（b），从而使缺失对应的部分在z中消失，以防止对无效的采样。
• 使用f(z)=w的后，从z到w的学习映射能够“撤消”大部分的扭曲，如图中（c）

关于这z --> w 的映射详述，以及相关的两个评价指标，在文中第四章。

三、修改源码网络生成3D的图

核心思想，就是把人脸图当成是3D空间中的一张纸，每个像素对应的xyz也输入到网络中，和rgb一起训练，然后生成xyzrgb。

当然，训练就是用的3D数据，要是先用2D训练在用输出结果转换成3D就没意义了。试了试，效果如下：

左侧为生成的3D点云，右侧为生成的2D图。