Pix2pix:基于条件对抗网络图对图翻译
我现在正在研究GAN，GAN也正是我的兴趣方向之一。
本篇要讲的是pix2pix，讲道理，那个网页版我可以玩一年
（注：原代码是用torch写的，但是作者也在官网提供了tensorflow版和pytorch版。起码不用面对lua这个语言）
图像翻译
“翻译”常用于语言之间的翻译，就比如中文和英文的之间的翻译。但是图像翻译的意思是以不同形式在图与图之间转换。比如，一张场景可以转换为RGB全彩图，也可以转化成素描，也可以转化为灰度图。一张夜景图也可以转化为这个地方的日景图。
传统的来说，每一种转换，比如从灰度图到素描，或者从素描到灰度图，都是需要一种特定的算法。而Pix2pix的目标就是建立一个通用的架构去解决所有的这些问题。
自编码器与CNN，为了使loss function更小而不得不使生成出来的图片模糊。这些对loss function有益的行为最终导致的是生成很假的图片（讲个道理，模糊的原因与很多自编码器采取sigmoid有没有关系？笔者觉得使用leaky relu可能会减少模糊，但是笔者试过，效果不算好）GAN提供了一种生成精准图片的方法，原因是识别网络完全能判断出模糊的图像是假图。
这在里，作者使用了条件GAN（cGAN）去学习一个条件生成模型。
方法
损失函数
cGAN的损失可以表达为：
可以看出，较普通的GAN来说，cGAN的生成网络监听了输入x。
普通的GAN的形式是
可以明显看出，这个形式的生成网络不需要输入x
研究表明如果给GAN加上一个传统距离（regularization?），比如L2，GAN的表现更好。而Pix2pix使用的是L1架构，可以减少模糊程度
所以最终的loss function是
原版GAN中的噪音noise，在这里变成了dropout形似的
###网络架构
生成网络：U-net
由于是个conditional GAN，这个生成者是个自编码器（输入一张图片大小，输出一张图片大小）。但是较传统用自编码器的写法不同，作者使用了U-Net
U-Net的论文具体可以看
U-Net: Convolutional Networks for Biomedical Image Segmentation
这篇论文（虽然我没看（逃））
U-Net在Autoencoder的基础上，使用了skip-connection。这么做的原因在于很多网络需要讲input的低阶信息分享给output。
skip-connection的特点在于将decoder和encoder连接起来。貌似与ResNet的链接有一定相像，都是相加（不确定，如果有大佬矫正的话请评论）。从上图也可以看到U-net的架构。
识别网络: PatchGAN
L2 损失比L1损失更加容易产生模糊效益。所以在网络架构上我们会采取L1去解决问题。
因为我们已经可以通过L1获取低频的结构，我们想要获取高频出现的架构。于是我们采取了PatchGAN的架构。PatchGAN只会去判定每一个每一个小的$N*N$的Patch中的结构是真或假并且惩罚它。并且计算平均数作为最终的结果。
这是个马尔科夫过程，也可以理解为风格损失（局部的）
优化和推断
优化没啥可说的，mini batch SGD
推断注意使用了dropout和batch normalization。training batch 被设为1，这个操作被叫做“instance normalization”
实验
一般为了效率我不喜欢看Experiment部分……很多Experiment都是作者自己吹比……但是这个Experiment不知道有多劲爆……
评价标准
两种手法
Amazon Mechanical Turk（AMT）
这个……感觉事50个Turker去评价算法生成……
感觉这个是真人评价……有点屌……
FCN-score
是采用的语言分段的算法做的评价
一些实验的结论：
生成网络：U-Net的效果是最好的
识别网络：L1+cGAN的效果比L1/L1+GAN/cGAN/GAN都好
PatchGAN的N：在70的时候表现是最好的
可以看出在$11$–>$1616$的趋势下图像越来越清晰，并且FCN-score逐渐增高，颜色以越来越相近，到$7070$打到顶峰。但是较$7070$，$286286$的画质非常差而且FCN-score非常低。可能是由于$286286$需要太多参数，训练复杂
顺便提一点，这个网络的目的不是与输入图相同，而是做出一个以假乱真的假图，所以不会与原图经行任何比对。可以说生成图和原图是独立的。
在颜色上，L1会使图像便暗（我的理解是L1的稀疏性会使图像朝变暗的趋势靠拢），而cGAN完全没有这个问题。所以L1+cGAN可以保持生成图片颜色的鲜艳。
最后就是这个网络的结果，非常有意思
还有我自己画的“猫”（我知道有点吓人……）
