生成对抗网络GANs红遍AI圈：技术进展大盘点
两年前，蒙特利尔大学Ian Goodfellow等学者提出“生成对抗网络”（Generative Adversarial Networks，GANs）的概念，并逐渐引起AI业内人士的注意。其实，直到2015年，生成对抗网络还称不上是炙手可热。但自今年（2016）以来，学界、业界对GANs的兴趣出现“井喷”：
多篇重磅论文陆续发表；
Facebook、Open AI等AI业界巨头也加入对GANs的研究；
它成为今年12月NIPS大会当之无愧的明星——在会议大纲中被提到逾170 次；
GANs之父”Ian Goodfellow被公推为人工智能的顶级专家；
业内另一位大牛Yan Lecun也对它交口称赞，称其为“20年来机器学习领域最酷的想法”。
现在，就连苹果也跳上了GANs的彩车：苹果有史以来第一篇公开发表的AI论文，讲的是如何更好地利用GANs，来训练AI图像识别能力。这是继苹果本月初在NIPS大会上宣布“将对外公布AI研究成果”之后，为兑现诺言做出的行动。
那么，GANs是如何从一个原本“不温不火”的技术，成为今天人工智能的主要课题之一？
我们对此进行了梳理，归纳了GANs从诞生到现在如何一步步走向技术成熟。以下是它发展路线中的大事件（主要研究进展）：
1. GANs诞生
▲Ian Goodfellow
2014年6月，Ian Goodfellow等学者发表了论文《Generative Adversarial Nets》，题目即“生成对抗网络”，这标志着GANs的诞生。文中，Ian Goodfellow等作者详细介绍了GANs的原理，它的优点，以及在图像生成方面的应用。
那么，什么是GANs？
用Ian Goodfellow自己的话来说：
生成对抗网络是一种生成模型（Generative Model），其背后基本思想是从训练库里获取很多训练样本，从而学习这些训练案例生成的概率分布。而实现的方法，是让两个网络相互竞争，‘玩一个游戏’。其中一个叫做生成器网络（Generator Network），它不断捕捉训练库里真实图片的概率分布，将输入的随机噪声（Random Noise）转变成新的样本（也就是假数据）。另一个叫做判别器网络（Discriminator Network），它可以同时观察真实和假造的数据，判断这个数据到底是不是真的。
对不熟悉GANs的读者，这番解释或许有些晦涩。因此，雷锋网特地找来AI博主Adit Deshpande的解释，更加清楚直白：
GANs的基本原理是它有两个模型：一个生成器，一个判别器。判别器的任务是判断给定图像是否看起来‘自然’，换句话说，是否像是人为（机器）生成的。而生成器的任务是，顾名思义，生成看起来‘自然’的图像，要求与原始数据分布尽可能一致。GANs的运作方式可被看作是两名玩家之间的零和游戏。原论文的类比是，生成器就像一支造假币的团伙，试图用假币蒙混过关。而判别器就像是警察，目标是检查出假币。生成器想要骗过判别器，判别器想要不上当。当两组模型不断训练，生成器不断生成新的结果进行尝试，它们的能力互相提高，直到生成器生成的人造样本看起来与原始样本没有区别。
早期的GANs模型有许多问题。Yan Lecun指出，其中一项主要缺陷是：GANs不稳定，有时候它永远不会开始学习，或者生成我们认为合格的输出。这需要之后的研究一步步解决。
2. 拉普拉斯金字塔（Laplacian Pyrami）的应用
GANs最重要的应用之一，是生成看起来‘自然’的图像，这要求对生成器的充分训练。以下是 Ian Goodfellow等人的2014年论文中，生成器输出的样本：
可以看出，生成器在生成数字和人脸图像方面做得不错。但是，使用CIFAR-10数据库生成的风景、动物图片十分模糊。这是GANs早期的主要局限之一。
2015年6月 Emily Denton等人发表的研究《Deep Generative Image Models using Lapalacian Pyramid of Adversarial Networks》（“深度图像生成模型：在对抗网络应用拉普拉斯金字塔”）改变了这一点。研究人员提出，用一系列的卷积神经网络（CNN）连续生成清晰度不断提高的图像，能最终得到高分辨率图像。该模型被称为LAPGANs。
其中的拉普拉斯金字塔，是指同一幅图像在不同分辨率下的一系列过滤图片。与此前GAN架构的区别是：传统的GAN只有一个生成器 CNN，负责生成整幅图像；而在拉普拉斯金字塔结构中，金字塔的每一层（某特定分辨率），都有一个关联的CNN。每一个CNN都会生成比上一层CNN更加清晰的图像输出，然后把该输出作为下一层的输入。这样连续对图片进行升采样，每一步图像的清晰度都有提升。
▲拉普拉斯金字塔结构图像生成示意
这产生了一个新概念：有条件生成对抗网络（conditional GAN，CGAN)，指的是它有多个输入：低分辨率图片和噪音矢量。该研究生成的高质量图片，在40%的情况下被真人裁判当做真实图像。
对该研究的意义，李嫣然评论道：它将GAN的学习过程变成了“序列式”的——不要让GAN一次学完全部的数据，而是让GAN一步步完成这个学习过程。
3.利用GANs把文字转化为图像
把文字转化为图像，比起把图像转为文字（让AI用文字概括、描述图像）要难得多。一方面是近乎无限的像素排列方式；另一方面，目前没人知道如何把它分解，比如像（图像转为文字任务中）预测下一个词那样。
2016年6月，论文《Generative Adversarial Text to Image Synthesis》（“GANs文字到图像的合成”）问世。它介绍了如何通过GANs进行从文字到图像的转化。比方说，若神经网络的输入是“粉色花瓣的花”，输出就会是一个包含了这些要素的图像。该任务包含两个部分：1.利用自然语言处理来理解输入中的描述。2.生成网络输出一个准确、自然的图像，对文字进行表达。
为实现这些目标，生成器和判别器都使用了文字编码技术：通过循环文字编码器（recurrent text encoder）生成的文字属性，来作为条件对GAN进行训练。这使得GAN能够在输入的文字描述和输出图像之间建立相关性联系。
▲原理示意
该任务中，GAN其实完成了两件任务：1.生成自然、说得过去的图像；2.图像必须与文字描述有相关性。
利用GAN, GAN-CLS, GAN-INT,GAN-INT-CLS生成的结果示意。GT是真实图像，从左到右三组图像的任务分别是：1.全黑色的鸟，粗圆的鸟嘴；2.黄胸、棕冠、黑眉的小鸟；3.蓝冠、蓝羽、黑颊的超小鸟，嘴小、踝骨小、爪小。
4. GANs应用于超分辨率（Super Resolution）
这是推特 Cortex研究团队进行的一项研究，在今年9月发表。它的主要贡献是开发出全新的损失函数（loss function），使得GANs能对大幅降采样后的图像，恢复它的生动纹理和小颗粒细节。
对于不熟悉超分辨率的读者，它是一个能把低分辨率图像重建为高清图像的技术。在机器学习中，实现超分辨率需要用成对样本对系统进行训练：一个是原始高清图像，一个是降采样后的低分辨率图像。本研究中，低分图像被作为输入喂给生成器，它重建出高分辨率图像。然后，重建图片和原始图片被一起交给判别器，来判断哪一幅是原始图像。
该研究中的损失函数可分为两个部分：对抗损失（adversarial loss ）和内容损失（content loss）。在较高层面上，对抗损失使图像看起来更自然；内容损失则保证重建图像与低分辨率原始图像有相似的特点。其中，对抗损失和传统的GANs应用类似，创新的是内容损失。该研究中的内容损失，可被看作为重建的高分辨率图像和原始高分图像之间特征图（feature map）的欧式距离（Euclidean distance）损失。而GAN的损失函数是对抗损失和内容损失的加权和。对原文感兴趣的读者，请点这里。
▲左栏是原始图像，右三栏是GANs重建的高分图像。
以上是GANs 2014-2016发展期间的主要里程碑。但读者们注意，2016年以来，GANs的研究应用层出不穷。以上只是最具代表性的几个，不代表其他GANs研究就没有价值。
值得一说的是，今年6月一篇关于深度卷积GANs（Deep Convolutional Generative Adversarial Networks，DCGAN）的论文在业内引发强烈反响：《使用深度卷积GANs进行无监督表征学习》。研究人员们发现，用大规模数据库训练出的GANs 能学习一整套层级的特征（a hierarchy of features），并具有比其他无监督学习模型更好的效果。而此前使用CNN训练GANs的尝试大多以失败告终。当研究人员修改架构创造出DCGAN，他们能够看到神经网络在每一层级学习到的过滤器 。Yan Lecun评论道，这打开了GANs的“黑箱”。
最后，我们来看看在大神Yan Lecun眼里，GANs为什么这么重要：
“它为创建无监督学习模型提供了强有力的算法框架，有望帮助我们为AI加入常识（common sense）。我们认为，沿着这条路走下去，有不小的成功机会能开发出更智慧的AI。”