Synthesizing Programs for Images using Reinforced Adversarial Learning

[kogaki]

画像等を直接生成するのではなく，"生成プロセス"を生成する．強化学習+GANのフレームワーク．

論文本体・著者

• Yaroslav Ganin, Tejas Kulkarni, Igor Babuschkin, S.M. Ali Eslami, Oriol Vinyals
  • https://arxiv.org/abs/1804.01118
  • Deepmind
  • 記事: Learning to write programs that generate images
  • https://deepmind.com/blog/learning-to-generate-images/
  • 結果をまずブログで確認してから読んで下さい！

解きたい問題

• 例えば画像を生成するときに，直接そのラスタ画像をピクセル単位で出力するのではなく，ペイントソフトがその画像を生成するような命令を生成したい．
  • ラスタ画像の生成はある程度うまく行っているが，非常に細かいディティールは失ってしまいがち．Rendererを介すことで，細かいディティールを確実に保つことができる．
  • 一方で既存のRenderer+MLの手法はhand-craftedなものばかり

新規性

• using the discriminator’s output as a reward signal is the key to allow the agent to make meaningful progress

  • "Discriminatorを強化学習のRewardとして扱うのが鍵"
  • 系列データをGANで扱うための手法に道を示した

• 画像を系列データとして解く問題設定が新しい

実装

• 系列のGANとは

  • Actor-Criticの
    • 
  • 報酬をDiscriminatorにする
    • 
      • R_t = sum(r_t)

• ここでDにはWasserstein discriminatorを用いている

  • 結果画像をみればわかるが，まだ生成画像とデータセット画像には結構見た目の乖離がある，それでもうまくGANを学習できる必要がある

  • employs Wasserstein distance … as it appears to handle vastly dissimilar pg and pd more gracefully

  • WGANを用いることで，かなりfakeとtrueの見た目に差があるものでも学習できているのかもしれない
    • この性質は他の研究にも使えそう

実験・議論

論文 Fig.2より

• Discriminatorは普通にGANとして"完成された静的な画像を"既存のデータセットと比較して学習できる
• Generatorはポリシーπによる系列生成で，絵が完成したときのDiscriminatorを騙すように学習

論文 Fig.3より

• ポリシーは，毎ターン筆圧，方向，色などのアクションを出力する．

読んだ中での不明点などの感想

• GANの静的な学習 + 強化学習による動的な生成，組み合わせかたがとってもリーズナブル
• ただ，近いことをやろうとした論文はいくつかあるので，少し煽りが強いようには感じた．

関連論文

• SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient
  • https://arxiv.org/abs/1609.05473
  • 系列+GAN．系列生成は同様に強化学習を用いる．どうして引用されてないかは謎
  • ただしSeqGANは自然言語処理の文脈で，Dの学習も系列データになっている．今回はDは静的なデータで学習できるのが安定性向上につながっていると考えられる