这篇文章提出了一种注意力生成对抗网络（AttnGAN），它允许注意力驱动、多阶段细化细粒度文本到图像的生成，此外，还提出了一种深度注意多模态相似性模型来计算细粒度图像-文本匹配损失以训练生成器，进而生成更逼真的图像。
文章被2018年CVPR（IEEE Conference on Computer Vision and Pattern Recognition）会议收录。

论文地址： https://arxiv.org/pdf/1711.10485.pdf

代码地址： https://github.com/taoxugit/AttnGAN

本博客是精读这篇论文的报告，包含一些个人理解、知识拓展和总结。

一、摘要

在本文中，我们提出了一种注意力生成对抗网络（AttnGAN），它允许注意力驱动、多阶段细化细粒度文本到图像的生成。通过一种新的注意生成网络，AttnGAN可以通过关注自然语言描述中的相关词语，合成图像不同子区域的细粒度细节。此外，本文还提出了一种深度注意多模态相似性模型来计算细粒度图像-文本匹配损失以训练生成器。AttnGAN显著优于之前的最新水平，在CUB数据集上，最佳报告初始得分提高了14.14%，在更具挑战性的COCO数据集上，提高了170.25%。通过可视化AttnGAN的注意层，也可以进行详细的分析。这是第一次表明分层注意GAN能够自动选择单词级的条件来生成图像的不同部分。

二、关键词

Deep Learning, Generative Adversarial Nets, Image Synthesis, Computer Vision

三、为什么提出AttnGAN？

传统文本生成图像方法是将整个文本描述编码为全局句子向量，作为基于GAN的图像生成的条件，这种方法在全局句子向量上调节GAN，缺乏单词级的重要细粒度信息。

四、主要原理

主要原理跟StackGAN++差不多，也是多阶段图像生成，但是在其中引入注意力机制。AttnGAN主要是以GAN、CNN、Decnn、LSTM、Attention等机制模块组成的一个复杂网络，模型最简单的模型就是LSTM+CNN，做的事情就是：

1. 将文本embedding得到word features和sentence features（利用到了LSTM）;
2. 利用sentence features生成一个低分辨率的图像（这一步与stackGAN差不多）；
3. 在低分辨率的图像上进一步加入word features和sentence features来生成更高分辨率的图像。

网络由三大模块组成：LSTM网络，生成器网络、判别器网络。

4.1、两大核心组成

AttnGAN创新主要在于两大组成部分：注意力生成网络和DAMSM

注意力生成网络：生成网络中的引入的注意机制使AttnGAN能够在单词的水平上实现单词与图片中的某个子区域的映射，自动选择字级条件以生成图像的不同子区域。

DAMSM：能够计算细粒度文本图像匹配损失，其仅应用于最后一个生成器的输出，有利于生成更高质量的图片。

4.2 、损失函数

最终设计模型的损失函数为：

$$\mathcal{L}=\mathcal{L}_{G}+\lambda \mathcal{L}_{D A M S M}, \text { where } \mathcal{L}_{G}=\sum_{i=0}^{m-1} \mathcal{L}_{G_{i}}$$

其中，λ是平衡因子,G的损失函数LG为：

$$\mathcal{L}_{G_{i}}=\underbrace{-\frac{1}{2} \mathbb{E}_{\hat{x}_{i} \sim p_{G_{i}}}\left[\log \left(D_{i}\left(\hat{x}_{i}\right)\right]\right.}_{\text {unconditional loss }} \underbrace{-\frac{1}{2} \mathbb{E}_{\hat{x}_{i} \sim p_{G_{i}}}\left[\log \left(D_{i}\left(\hat{x}_{i}, \bar{e}\right)\right]\right.}_{\text {conditional loss }},$$

D的损失函数LD为：

$$\begin{aligned} \mathcal{L}_{D_{i}}=& \underbrace{-\frac{1}{2} \mathbb{E}_{x_{i} \sim p_{\text {data }_{i}}}\left[\log D_{i}\left(x_{i}\right)\right]-\frac{1}{2} \mathbb{E}_{\hat{x}_{i} \sim p_{G_{i}}}\left[\log \left(1-D_{i}\left(\hat{x}_{i}\right)\right]\right.}_{\text {unconditional loss }}+\\ & \underbrace{-\frac{1}{2} \mathbb{E}_{x_{i} \sim p_{\text {data }_{i}}}\left[\log D_{i}\left(x_{i}, \bar{e}\right)\right]-\frac{1}{2} \mathbb{E}_{\hat{x}_{i} \sim p_{G_{i}}}\left[\log \left(1-D_{i}\left(\hat{x}_{i}, \bar{e}\right)\right]\right.}_{\text {conditional loss }} \end{aligned}$$

可以看出，总损失的第一项LG，原理与StackGAN中的无条件+有条件结构相似，无条件损失确定图像是真实的还是假的，条件损失确定图像和句子是否相符。
没看StackGAN++可以点击->：Text to image论文精读 StackGAN++

而损失函数的第二项LDAMSM是由DAMSM计算的字符级细粒度图像-文本匹配损失，这部分在本博文的第七节中介绍。

五、框架分析

整个模型分三大块：

1. 最左边文本编码器（LSTM）+最右边的图像编码器组合
   文本编码器利用注意力机制对文本进行编码，输出sentence feature和word feature，其中sentence feature：取LSTM最后一个状态的输出，作用是当作生成器的控制信息；word feature：取中间隐藏状态的输出，用来确定图片与句子的一致性。图像编码器采用卷积神经网络（CNN）将图像映射到语义向量。

2. 中间橘色框注意力生成网络，生成器接收的是sentence feature，生成具有句子特征的图片，从第二个生成器开始加入注意力机制，注意力机制接收的是生成器输出的h0矩阵以及word feature矩阵，输出是一个矩阵作为下一个生成器的输入。每个生成器由上采样、残差网络、全连接、卷积组成。

3. 下方的判别器，输入是sentence feature和该阶段生成器生成的图片，判断图片与句子的相符性。

六、生成网络中的注意力机制

6.1、生成网络注意力框架

F^attn^、F^ca^、Fi、Gi都是神经网络模型

F_i^attn^是第i阶段的注意力模型，F^ca^是条件增强模块，Conditioning
Augmentation其将句子向量e^-^转换为条件向量） ，z是随机噪声，e是句子向量的矩阵，e^-^表示全局句子向量

6.2、实现细节

2.1、第一步

编码后的F^ca^ 通过F0, h0=F0 (z,F^ca^(e^-^ )) ,F0通过一个FC层和若干上采样层将输入的向量转换成指定维数。

$$\begin{array}{l} h_{i}=F_{i}\left(h_{i-1}, F_{i}^{a t t n}\left(e, h_{i-1}\right)\right) \text { for } i=1,2, \ldots, m-1 \\ F^{a t t n}(e, h)=\left(c_{0}, c_{1}, \ldots, c_{N-1}\right) \in \mathbb{R}^{\hat{D} \times N} \end{array}$$

其中，Fi^attn^的输入有两个，维数为D×T的单词特征e和维数为D^-^×N的上一隐藏层中的图像特征h，h的每一列是图像每个子区域的特征向量。Fi^attn^输出为c,c_i表示为第i个子区域的单词上下文向量。

6.2、第二步

对输入图片的每一部分，匹配最相关的单词向量来约束其生成，增加图像的细粒度细节。匹配图像子区域和最相关的单词公式如下：

$$c_{j}=\sum_{i=0}^{T-1} \beta_{j, i} e_{i}^{\prime}, \text { where } \beta_{j, i}=\frac{\exp \left(s_{j, i}^{\prime}\right)}{\sum_{k=0}^{T-1} \exp \left(s_{j, k}^{\prime}\right)}$$

其中$$s_{j, i}^{\prime}=h_{j}^{T} e_{i}^{\prime}$$
而β(i,j)表示 第i个单词对生成图像的第j个区域的重要程度。

6.3、第三步

通过将图像特征和相应的单词上下文特征结合起来生成图像，将生成的图像和sentence feature输入到D中训练。

七、DAMSM (Deep Attentional Multimodal Similarity Model)

7.1、DAMSM框架

DAMSM主要有两个神经网络，文本编码器和图像编码器。其将句子的图像和单词的子区域映射到一个公共语义空间，从而在单词级别测量图像-文本相似度，以计算图像生成的细粒度损失。

文本编码器：采用双向长短期记忆网络（LSTM）
图像编码器：采用卷积神经网络（CNN），将图像映射到语义向量

7.2、实现细节

7.2、第一步

根据图像和文本之间的注意模型来衡量图像-句子对的匹配程度，首先计算相似矩阵：

$$s=e^{T} v$$

其中，s∈R^(T*289)^。s_ij描述的是文本中第i个单词和图片的第j个区域的点积相似性。v是图像的特征向量，e是单词的特征向量。

将其归一化：

$$\bar{s}_{i, j}=\frac{\exp \left(s_{i, j}\right)}{\sum_{k=0}^{T-1} \exp \left(s_{k, j}\right)}$$

7.2、第二步

建立一个注意模型来计算每个单词的区域上下文向量：

$$c_{i}=\sum_{j=0}^{288} \alpha_{j} v_{j}, \text { where } \alpha_{j}=\frac{\exp \left(\gamma_{1} \bar{s}_{i, j}\right)}{\sum_{k=0}^{288} \exp \left(\gamma_{1} \bar{s}_{i, k}\right)}$$

其中ci是与句子第i个单词相关的图像子区域向量表示，其中γ1是一个因素，表示对图像相关子区域特征的关注度。

7.3、第三步

应用余弦相似度定义计算第i个单词与图片的相关性：

$$R\left(c_{i}, e_{i}\right)=\left(c_{i}^{T} e_{i}\right) /\left(\left\|c_{i}\right\|\left\|e_{i}\right\|\right)$$

进而得出整个图像与整个文本描述之间的注意力机制图像-文本匹配：

$$R(Q, D)=\log \left(\sum_{i=1}^{T-1} \exp \left(\gamma_{2} R\left(c_{i}, e_{i}\right)\right)\right)^{\frac{1}{\gamma_{2}}}$$

7.4、损失函数

对于一个批度文本图片对{[Qi，Di]}Mi=1，有一个后验概率：
$$P\left(D_{i} \mid Q_{i}\right)=\frac{\exp \left(\gamma_{3} R\left(Q_{i}, D_{i}\right)\right)}{\sum_{j=1}^{M} \exp \left(\gamma_{3} R\left(Q_{i}, D_{j}\right)\right)}$$
将后验概率引入图像与其相应文本描述匹配的负对数损失函数：
$$\mathcal{L}{1}^{w}=-\sum{i=1}^{M} \log P\left(D_{i} \mid Q_{i}\right), \quad \mathcal{L}{2}^{w}=-\sum{i=1}^{M} \log P\left(Q_{i} \mid D_{i}\right)$$
以相同方法得到$$\mathcal{L}{1}^{s}, \mathcal{L}{2}^{s}$$
最终可以得出DAMSM的损失函数为:
$$\mathcal{L}{D A M S M}=\mathcal{L}{1}^{w}+\mathcal{L}{2}^{w}+\mathcal{L}{1}^{s}+\mathcal{L}_{2}^{s}$$

八、实验

实验数据集：CUB、COCO
定量标准：IS、R-precision
实验效果：

九、实验复现

AttnGAN代码复现（详细步骤+避坑指南）

十、相关阅读

下一篇：论文精读 DM-GAN: Dynamic Memory Generative Adversarial Networks for t2i 用于文本图像合成的动态记忆生成对抗网络

2016~2021 文字生成图像 Text to image（T2I）论文整理 阅读路线和阅读指南

文字转图像专栏