生成對抗網絡 GAN：原理與實踐

本書從原理和實戰兩個維度對GAN進行了全面講解。
全書一共12章，分為兩個部分：
 第一部分（第1-5章） 原理篇對生成模型，以及GAN的優化、
訓練、評估、可視化、結構等原理性內容進行了詳細講解。
第二部分（6-12章） 實戰篇這部分對GAN的主要應用場景的實戰性內容進行了講解，包括圖像生成、風格遷移、
圖像增強、圖像分割、目標檢測、對抗攻擊、語音生成等場景下的GAN實戰進行了講解。

言有三（本名：龍鵬）
資深人工智能技術專家，有非常深厚的積累；
曾就職於奇虎360人工智能研究院和陌陌科技深度學習實驗室；
現為有三教育科技有限公司創始人；
擅長深度學習與計算機視覺，尤其是深度學習模型的設計與優化、
生成對抗網絡、人臉圖像算法、攝影圖像算法等；
阿里雲MVP，華為雲MVP，負責阿里雲深度學習課程搭建，在數十所高校進行技術分享與課程建設；
技術社區“有三AI”的創始人，撰寫了超過200萬字的原創技術文章；
樂於分享，善於總結，獨自出版過5本深度學習領域的前沿著作。

郭曉洲（筆名：小米粥）
博士研究生，畢業於中國科學院半導體研究所，
主要研究方向為生成模型、語音信號處理，
具有紮實的理論基礎和豐富的算法落地經驗，發表多篇SCI、

CONTENTS目錄
前言第1章生成模型1 1.1 無監督學習與生成模型1
1.1.1 監督學習與無監督學習1
1.1.2 判別模型與生成模型3
1.1.3 無監督生成模型4
　1.2 顯式與隱式生成模型5
1.2.1 極大似然估計法6
1.2.2 完全可見置信網絡8
1.2.3 流模型13
1.2.4 變分自編碼器18
1.2.5 玻爾茲曼機24
1.2.6 隱式生成模型27
　參考文獻28第2章目標函數優化29 2.1 GAN29
2.1.1 GAN概述30
2.1.2 GAN模型30
2.1.3 GAN的本質33
　2.2 LSGAN35
　2.3 EBGAN40
　2.4 f GAN42
　2.5 WGAN45
2.5.1 分佈度量45
2.5.2 WGAN目標函數48
　2.6 Loss-sensitive GAN51
　2.7 WGAN-GP53
　2.8 IPM54
2.8.1 IPM概念55
2.8.2 基於IPM的GAN55
2.8.3 IPM與f散度57
　2.9 其他目標函數57
2.9.1 RGAN57
2.9.2 BEGAN58
　參考文獻59第3章訓練技巧61 3.1 GAN訓練的3個問題61
3.1.1 梯度消失61
3.1.2 目標函數不穩定性63
3.1.3 模式崩潰64
　3.2 退火噪聲65
　3.3 譜正則化66
3.3.1 特徵值與奇異值67
3.3.2 譜範數與1-Lipschitz
限制68
　3.4 一致優化71
3.4.1 歐拉法71
3.4.2 GAN動力學系統73
3.4.3 一致優化算法76
　3.5 GAN訓練技巧77
3.5.1 特徵匹配77
3.5.2 歷史均值78
3.5.3 單側標籤平滑78
3.5.4 虛擬批正則化79
3.5.5 TTUR79
3.5.6 0中心梯度80
3.5.7 其他建議80
　3.6 模式崩潰解決方案80
3.6.1 unrolledGAN82
3.6.2 DRAGAN85
3.6.3 Minibatch判別器與
PGGAN86
3.6.4 MADGAN與
MADGAN-Sim87
3.6.5 VVEGAN89
　參考文獻91第4章評價指標與可視化93 4.1 評價指標93
4.1.1 評價指標的要求93
4.1.2 IS系列94
4.1.3 FID96
4.1.4 MMD97
4.1.5 Wasserstein距離98
4.1.6 最近鄰分類器98
4.1.7 GANtrain與GANtest99
4.1.8 NRDS100
4.1.9 圖像質量度量101
4.1.10 平均似然值102
　4.2 GAN可視化103
4.2.1 設置模型103
4.2.2 訓練模型105
4.2.3 可視化數據107
4.2.4 樣例演示109
　參考文獻110第5章圖像生成111 5.1 圖像生成應用111
5.1.1 訓練數據擴充111
5.1.2 數據質量提升112
5.1.3 內容創作112
　5.2 深度卷積GAN113
5.2.1 DCGAN原理114
5.2.2 DCGAN的思考115
　5.3 條件GAN117
5.3.1 有監督條件GAN117
5.3.2 無監督條件GAN118
5.3.3 半監督條件GAN119
5.3.4 複雜形式的條件輸入119
　5.4 多尺度GAN121
5.4.1 LAPGAN121
5.4.2 Progressive GAN123
　5.5 屬性GAN124
5.5.1 顯式屬性GAN124
5.5.2 隱式屬性GAN125
　5.6 多判別器與生成器GAN133
5.6.1 多判別器GAN133
5.6.2 多生成器GAN134
　5.7 數據增強與仿真GAN135
5.7.1 數據增強GAN135
5.7.2 數據仿真GAN136
　5.8 DCGAN圖像生成實踐137
5.8.1 項目解讀137
5.8.2 實驗結果144
　5.9 StyleGAN人臉圖像生成實踐147
5.9.1 項目簡介147
5.9.2 模型解讀147
5.9.3 預訓練模型的使用157
5.9.4 小結161
　參考文獻161第6章圖像翻譯163 6.1 圖像翻譯基礎163
6.1.1 什麼是圖像翻譯163
6.1.2 圖像翻譯任務的類型164
　6.2 有監督圖像翻譯模型166
6.2.1 Pix2Pix166
6.2.2 Pix2PixHD167
6.2.3 Vid2Vid168
　6.3 無監督圖像翻譯模型168
6.3.1 基於域遷移與域對齊的
無監督模型168
6.3.2 基於循環一致性約束的
無監督模型172
　6.4 圖像翻譯模型的關鍵改進175
6.4.1 多領域轉換網絡
StarGAN175
6.4.2 豐富圖像翻譯模型的
生成模式177
6.4.3 給模型添加監督信息179
　6.5 基於Pix2Pix模型的圖像上色
實踐180
6.5.1 數據處理180
6.5.2 模型代碼解讀181
6.5.3 模型訓練與測試189
6.5.4 小結193
　參考文獻194第7章人臉圖像編輯195 7.1 人臉表情編輯195
7.1.1 表情編輯問題195
7.1.2 關鍵點控制的表情編輯
模型196
　7.2 人臉年齡編輯197
7.2.1 年齡編輯問題197
7.2.2 基於潛在空間的條件對抗
自編碼模型197
　7.3 人臉姿態編輯198
7.3.1 姿態編輯問題198
7.3.2 基於3DMM的姿態編輯
模型199
　7.4 人臉風格編輯200
7.4.1 風格編輯問題201
7.4.2 基於注意力機制的風格化
模型201
　7.5 人臉妝造編輯203
7.5.1 妝造編輯問題204
7.5.2 基於GAN的妝造遷移
算法204
　7.6 人臉換臉編輯206
7.6.1 身份編輯問題206
7.6.2 基於編解碼器的Deepfakes
換臉算法206
　7.7 通用的人臉屬性編輯207
7.7.1 StyleGAN人臉編輯的
關鍵問題207
7.7.2 潛在編碼向量的求解208
　7.8 基於StyleGAN模型的人臉屬性
編輯實踐209
7.8.1 人臉重建209
7.8.2 人臉屬性混合與插值219
7.8.3 人臉屬性編輯221
7.8.4 小結228
　參考文獻228第8章圖像質量增強230 8.1 圖像降噪230
8.1.1 圖像降噪問題230
8.1.2 基於GAN的圖像去噪
框架231
　8.2 圖像去模糊232
8.2.1 圖像去模糊問題232
8.2.2 基於GAN的圖像去模糊
框架233
　8.3 圖像色調映射234
8.3.1 圖像色調映射問題235
8.3.2 圖像色調映射數據集236
8.3.3 基於GAN的圖像色調
映射框架236
　8.4 圖像超分辨239
8.4.1 圖像超分辨問題240
8.4.2 基於GAN的圖像超分辨
框架240
　8.5 圖像修復243
8.5.1 圖像修復基礎243
8.5.2 基於GAN的圖像修復
框架244
　8.6 基於SRGAN的人臉超分重建
實踐247
8.6.1 項目解讀247
8.6.2 模型訓練254
8.6.3 模型測試258
8.6.4 小結260
　參考文獻260第9章三維圖像與視頻生成262 9.1 三維圖像與視頻生成應用262
9.1.1 三維圖像生成應用262
9.1.2 視頻生成與預測應用263
　9.2 三維圖像生成框架264
9.2.1 一般三維圖像生成
框架264
9.2.2 二維圖到三維圖的預測
框架265
　9.3 視頻生成與預測框架266
9.3.1 基本的Video-GAN266
9.3.2 多階段的MD-GAN267
9.3.3 內容動作分離的
MoCoGAN268
　參考文獻270第10章通用圖像編輯271 10.1 圖像深度編輯271
10.1.1 深度與景深271
10.1.2 圖像景深編輯框架274
　10.2 圖像融合276
10.2.1 圖像融合問題276
10.2.2 基於GAN的圖像融合
框架277
　10.3 交互式圖像編輯278
10.3.1 交互式圖像編輯
框架278
10.3.2 基於GAN的交互式
圖像編輯框架279
　10.4 展望280
　參考文獻280第11章對抗攻擊282 11.1 對抗攻擊及防禦算法282
11.1.1 對抗攻擊概述282
11.1.2 常用攻擊算法284
11.1.3 常用防禦算法287
　11.2 基於GAN的對抗樣本生成289
11.2.1 Perceptual-Sensitive
GAN289
11.2.2 Natural GAN292
11.2.3 AdvGAN294
　11.3 基於GAN的對抗攻擊防禦296
11.3.1 APEGAN296
11.3.2 DefenseGAN297
　11.4 對抗攻擊工具包AdvBox297
11.4.1 對分類器的攻擊297
11.4.2 高斯噪聲對抗防禦301
11.4.3 其他示例程序301
　參考文獻305第12章語音信號處理306 12.1 基於GAN的語音增強306
12.1.1 項目簡介306
12.1.2 SEGAN模型307
12.1.3 SEGAN訓練和
測試313
　12.2 基於GAN的語音轉換315
12.2.1 項目簡介315
12.2.2 WORLD語音合成
工具316
12.2.3 CycleGAN-VC2
模型317
12.2.4 CycleGAN-VC2
訓練322
12.2.5 CycleGAN-VC2
測試325
　12.3 基於GAN的語音生成325
12.3.1 項目簡介326
12.3.2 WaveGAN模型326
12.3.3 WaveGAN訓練和
測試332
　參考文獻333