High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs

[chullhwan-song]

https://arxiv.org/abs/1711.11585

[chullhwan-song]

Abstract

• notify) 링크 저자의 PPT refer로 활용
• conditional generative adversarial networks (conditional GANs)
• semantic label (map) to realistic photo
  • semantic segmentation 이미지로 그와 관련 mapping된 라벨영역들을 실제 이미지들로 합성하는 역할.
• 그동안의 연구는 실제 해상도가 많이 떨어졌음.
• 이 연구에서는 이러한 문제를 해결 = 2048 × 1024 = pix2pixHD
  • novel adversarial loss
  • new multi-scale generator
  • new discriminator architecture
  • 그리고, 두개의 추가적인 feature를 통해 상호 조작(visual manipulation) 가능함.
    • object instance segmentation information를 구체화(incorporate)한다. 그래서, object들의 조작(제거/추가/카테고리 변경)이 가능.
    • 같은 입력에서 다양한 결과를 생성하는 방법제시. interactive하게 editing 가능

      Instance-Level Image Synthesis

      The pix2pix Baseline

• "Imaget o-image translation with conditional adversarial networks" 이란 연구, 일명 "pix2pix" 논문이 base 참고로 이 논문은 pix2pixHD
  • 위 연구는 Image to image translation을 위해 conditional GAN 제안.
    • pair set (s_i, x_i) : s_i is a semantic label map 이고 xi는 s_i와 매핑되는 실제 사진
    • G : U-Net network based
    • D : patch-based fully convolutional network > FCN 논문 ?
      • D의 입력값은 semantic label map+corresponding image를 concat하는 형태
        • corresponding image는 매핑되는 리얼이미지 또는 G의 결과 이미지. 다음 이미지를 보면 명확함.
• pix2pix 의 문제는 높은 해상도를 Generator하기엔 역부족

  Improving Photorealism and Resolution

• Coarse-to-fine generator
  • Coarse-to-fine이란 단어는 예전 viola jones face detection에 많이 인용되었는데, 보통 tracking에서도..
  • 아무튼, 일반 대상 object에 대해 대충 찾고 그 후에 detail하게 찾자는 의미. 아마 여기도.. 대충 translation하고 좀더 디테일한 translation를 나중에하지 않을까?
  • G는 두 개의 sub-network G1, G2로 구성
    • G1 : global newtwork
      • "Perceptual losses for real-time style transfer and super-resolution" 연구가 base
      • low 해상도(half size) : 1024 × 512
    • G2 : local enhancer network
      • 높은 해상도 : 2048 × 1024
      • G2는 첫번째 G2에서는 G1과 동일한 input를 받고, 두번째 G2에서는 G1+첫번째 G2의 output 를 element-wise sum하여 input으로 받음
• Multi-scale discriminators
  • 고해상도를 가진 리얼과 합성 이미지들을 구별하기 우해서 큰 receptive field를 가져야함.
    • 이를 위해서는 보통 깊은 nets나 큰 filter를 가진 CNN이 필요. > 이는 큰 메모리가 필요 ㅠ
  • 그래서 이 연구에서는 3개의 Multi-scale discriminator를 이용, G1, G2, G3
    • trained to differentiate real and synthesized images at the 3 different scales,
    • coarse-to-fine generator

      Improved adversarial loss

• 식 2를 향상시킴
• feature matching loss
  • D_k의 i th 번째 layer에서 추출한 feature :
  • T는 total layer number
  • 는 각 layer에서의 element 수
• GAN loss
  • VAE-GANs에서 사용되었던 loss와 비슷
  • discriminator > feature matching loss & the perceptual loss > for image super-resolution and style transfer

Using Instance Maps

• semantic label map 데이터셋을 이용 - pixel 레벨로 라벨링.
  • plus Boundary improvement > Fig 4 b)를 함께 사용하면, 다음과 같은 결과를 얻을수 있음.
    • the channel-wise concatenation = instance boundary map + semantic label map + real/synthesized image

Multi-modal results using feature embedding

• To generate diverse images and allow instance-level control,
  • G의 입력값으로 ow-dimensional feature channel들을 이용.
  • low-dimensional feature로 Encoder를 이용
  • instance-wise average pooling layer : Encoder 결과에 대한 average pooling

실험