[[411040]]

卷積神經(jīng)網(wǎng)絡(luò)（convoluitonal neural networks，CNN）憑借強(qiáng)大的卷積和池化（pooling）能力，在計算機(jī)視覺領(lǐng)域占領(lǐng)主導(dǎo)地位。

而最近Transformer架構(gòu)的興起，開始在圖像和視頻識別任務(wù)中與CNN「掰頭」。特別是視覺Transformer（ViT）。

Dosovitskiy等人的研究已經(jīng)展示了將圖像解釋為一系列類似于自然語言中的單詞的標(biāo)記（token）。在ImageNet基準(zhǔn)測試中，以較小的FLOP實現(xiàn)可比的分類精度。

現(xiàn)在盡管ViT及其變體仍然處于起步階段，但鑒于ViT在圖像識別方面表現(xiàn)出對競爭性，以及需要較少的視覺特定歸納偏差，ViT能不能擴(kuò)展應(yīng)用到圖像生成呢？

由谷歌和加州大學(xué)圣地亞哥分校組成的研究團(tuán)隊對這個問題進(jìn)行了研究，并發(fā)表了論文：ViTGAN：用視覺Transformer訓(xùn)練生成對抗網(wǎng)絡(luò)（GAN）。

△ https://arxiv.org/pdf/2107.04589.pdf

論文研究的問題是：ViT是否可以在不使用卷積或池化的情況下完成圖像生成任務(wù)，即ViT是否能用具有競爭質(zhì)量的GAN訓(xùn)練出基于CNN的GAN。

研究團(tuán)隊將ViT架構(gòu)集成到中GAN中，發(fā)現(xiàn)現(xiàn)有的GAN正則化方法與自我注意機(jī)制的交互很差，導(dǎo)致訓(xùn)練過程中嚴(yán)重的不穩(wěn)定。

因此，團(tuán)隊引入了新的正則化技術(shù)來訓(xùn)練帶有ViT的GAN，得出以下研究結(jié)果：

1. ViTGAN模型遠(yuǎn)優(yōu)于基于Transformer的GAN模型，在不使用卷積或池化的情況下，性能與基于CNN的GAN（如Style-GAN2）相當(dāng)。

2. ViTGAN模型是首個在GAN中利用視覺Transformer的模型之一。

3. ViTGAN模型展示了在標(biāo)準(zhǔn)圖像生成基準(zhǔn)（包括CIFAR、CelebA和LSUN bedroom數(shù)據(jù)集）中，這種Transformer與最先進(jìn)的卷積架構(gòu)具有可比性的方法。

實驗方法

上圖說明了ViTGAN的架構(gòu)，包括一個ViT鑒別器和一個基于ViT的生成器。

實驗發(fā)現(xiàn)，直接使用ViT作為鑒別器會使訓(xùn)練變得不穩(wěn)定。作者對生成器和鑒別器都引入了新的技術(shù)，用來穩(wěn)定訓(xùn)練動態(tài)并促進(jìn)收斂。(1)ViT鑒別器的正則化；(2)生成器的新架構(gòu)。

由于現(xiàn)有的 GAN 正則化方法與 self-attention 的交互很差，在訓(xùn)練過程中導(dǎo)致嚴(yán)重的不穩(wěn)定。

為了解決這個問題，作者引入了新穎的「正則化」技術(shù)來訓(xùn)練帶有 ViT 的 GAN數(shù)據(jù)集上實現(xiàn)了與最先進(jìn)的基于CNN 的 StyleGAN2 相當(dāng)?shù)男阅堋?/p>

利普希茨連續(xù)（Lipschitz continuity）在GAN鑒別器中很重要，首先它作為WGAN中近似Wasserstein距離的一個條件而引入注意力，后來在其他GAN設(shè)置中被證實超出了 Wasserstein損失。特別是，證明了Lipschitz鑒別器保證了最優(yōu)鑒別函數(shù)的存在以及唯一納什均衡的存在。

然而，最近的一項工作表明，標(biāo)準(zhǔn)dot product self-attention（即Equation 5）層的Lipschitz常數(shù)可以是無界的，使Lipschitz連續(xù)在ViTs中被違反。

如Equation 7所示，實驗用歐氏距離代替點積相似度，query 和 key的投影矩陣的權(quán)重也是一樣的。

實驗發(fā)現(xiàn)，在初始化時將每層的歸一化權(quán)重矩陣與spectral norm相乘就足以解決這個問題。實驗用以下的更新規(guī)則來實現(xiàn)spectral norm，其中σ計算權(quán)重矩陣的標(biāo)準(zhǔn)spectral norm.

設(shè)計生成器

設(shè)計一個基于ViT架構(gòu)的生成器并不簡單。一個挑戰(zhàn)是將ViT從預(yù)測一組類別標(biāo)簽轉(zhuǎn)換為在一個空間區(qū)域內(nèi)生成像素點。

在介紹實驗?zāi)Ｐ椭埃髡呦扔懻搩蓚€可信的基線模型，如Fig. 2 (A)和2 (B)所示。這兩個模型交換ViT的輸入和輸出，從嵌入物中生成像素，特別是從潛伏向量 w，即w=MLP(z)（Fig. 2中稱為映射網(wǎng)絡(luò)），由MLP從高斯噪聲向量z中導(dǎo)出。

這兩個基線生成器在輸入序列上有所不同。Fig. 2(A)將一個位置嵌入序列作為輸入位置嵌入序列，并在每個位置嵌入中加入中間特征向量w.

實驗結(jié)果

△ ViTGAN與基線架構(gòu)關(guān)于圖像合成的主要結(jié)果對比

TransGAN是現(xiàn)有唯一一個完全建立在 Transformer 架構(gòu)上的無卷積GAN，其最佳變體是TransGAN-XL。

Vanilla-ViT是一種基于ViT的GAN，它使用圖2（A）中所示的生成器和一個vanilla ViT鑒別器。

為公平比較，該基線使用了R1 penalty和bCR + DiffAug。

此外，BigGAN和StyleGAN2也作為最先進(jìn)的基于CNN的GAN模型加入對比。

從上述表格可以看出，ViTGAN模型大大優(yōu)于其他基于Transformer的GAN模型。這是在 Transformer架構(gòu)上改進(jìn)的穩(wěn)定GAN訓(xùn)練的結(jié)果。它實現(xiàn)了與最先進(jìn)的基于 CNN 的模型相當(dāng)?shù)男阅堋?/p>

這一結(jié)果提供了一個經(jīng)驗證據(jù)：Transformer架構(gòu)可以在生成對抗訓(xùn)練中與卷積網(wǎng)絡(luò)相媲美。

如上圖所示，ViTGAN模型（最后一列）顯著提高了最佳 Transformer 基線（中間列）的圖像保真度。即使與StyleGAN2相比，ViTGAN生成的圖像質(zhì)量和多樣性也相當(dāng)。

總結(jié)

這篇論文介紹了ViTGAN，利用GAN中的視覺Transformer（ViTs），并提出了確保其訓(xùn)練穩(wěn)定性和提高收斂性的基本技術(shù)。

在標(biāo)準(zhǔn)基準(zhǔn)（CIFAR-10、CelebA和LSUN bedroom）上的實驗表明，提出的模型實現(xiàn)了與最先進(jìn)的基于CNN的GAN相媲美的性能。

至于限制，ViTGAN是一個建立在普通ViT架構(gòu)上的新的通用GAN模型。它仍然無法擊敗最好的基于CNN的GAN模型。

這可以通過將先進(jìn)的訓(xùn)練技術(shù)納入ViTGAN框架得到改善。希望ViTGAN能夠促進(jìn)這一領(lǐng)域未來的研究，并可以擴(kuò)展到其他圖像和視頻合成任務(wù)。