如何比较PixelCNN与DCGAN两种Image generation方法?

今天组会读了一下deepmind的PixelCNN(nips的那篇),不是很明白到底为什么follow的work这么多(而且pixel rnn还拿了best paper award。。),感觉pixel by pixel生成是一种非常反直觉的生成方式。而且是规定了从上往下从左往右的顺序。这种生成方式的insight在哪里? (个人理解是为了引出wavenet?因为对语言序列来说生成是有顺序的,但是用来生成图片就很奇怪了) 相比较,虽然GAN生成的更加随意,但是laplacian GAN和stack GAN…
关注者
409
被浏览
11175

1 个回答

谢邀,相比GAN,PixelCNN/RNN有以下几个优势:
1. 可以通过chain rule提供exact的data likelihoodp(\textbf{x})=\prod_{i=1}^{n^{2}} p(x_{i}|x_{1}, ..., x_{i-1}),虽说likelihood不是一个完美的evaluation metric [12],但它对评价一个generative model还是能提供很多insight(尤其是detect missing mode)。GAN的方法不仅没有办法给出exact的likelihood,而且approximate出来的likelihood似乎结果很差 [9]。另外PixelCNN这套方法在likelihood这个metric上是state-of-the-art,甩其它方法一大截。我觉得拿ICML best paper主要就是因为这个。
2. 因为objective function直接就是likelihood,PixelCNN的training要稳定很多
PixelCNN的典型training curve[11]:

GAN的典型training curve... [10]

3. PixelCNN的data space可以是continuous也可以是discrete的(discrete的performance稍好一点点),但是GAN目前基本还只能在continuous data上work。在discrete data上如何实现GAN目前仍是一个non-trivial的open problem。

当然,除了题主提到的依赖于arbitrary的order而且sampling很慢以外,PixelCNN还有很多缺点:
1. PixelCNN的training其实也很慢,比如OpenAI的PixelCNN++ [8] 要在8块Titan上train 5天才converge... 这还只是一个CIFAR dataset
2. sample quality明显不如GAN。现在state-of-the-art的GAN在CIFAR上能生成相当reasonable的sample [5]:

但是PixelCNN++[8]的sample基本还看不出什么object...

3. 暂时还没有paper用PixelCNN成功做出来unsupervised/semi-supervised feature learning,但是GAN在这方面硕果累累 [1,2,3,4]。

最后还想说的一点是,PixelCNN和GAN也许并不是非此即彼的关系,在将来有可能可以combine起来。如果有一个generative model能同时具备两者的优势,既能给出exact的likelihood又能有GAN这么好的sample quality,那将会是一个非常有趣的工作。这几个月的各种model组合(VAE+GAN [6], VAE+PixelCNN [7])也suggest这种combination或许是可行的。

[1] Salimans et al., Improved Techniques for Training GANs, 2016
[2] Dumoulin et al., Adversarially Learned Inference, 2016
[3] Donahue et al., Adversarial Feature Learning, 2016
[4] Denton et al., Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks, 2016
[5] Huang et. al., Stacked Generative Adversarial Networks, 2016
[6] Larsen et al., Autoencoding beyond pixels using a learned similarity metric, 2016
[7] Gulrajani et al., PixelVAE: A Latent Variable Model for Natural Images, 2016
[8] Salimans et al., PixelCNN++: A PixelCNN Implementation with Discretized Logistic Mixture Likelihood and Other Modifications, 2016
[9] Wu et al., On the Quantitative Analysis of Decoder-Based Generative Models, 2016
[10] torch/torch.github.io
[11] carpedm20/pixel-rnn-tensorflow
[12] Thesis et al., A note on the evaluation of generative models, 2016