CMU 提出全新 GAN 结构，GAN 自此迈入预训练大军！

文｜林锐

众所周知，现在 GAN 的应用是越来越宽泛了，尤其是在 CV 领域。不仅可以调个接口生成新头像图一乐，也可以用 GAN 做数据增强让模型更加健壮。

▲嘉然你带我走吧嘉然！

在CV领域，不像分类、目标检测等任务可以使用预训练好的backbone来加速训练、提升精度，GAN的训练基本上是从头开始！！因为GAN的判别器好坏直接影响生成器的梯度，判别器太好将导致生成器的梯度消失，网络就没法训练了。

本文的作者为了打破这种局限性，今年 CVPR'2022的一篇Oral 引入了叫做 Vision-aided GAN（以下简称VAG）的全新结构，使得 GAN 也能够采用预训练+精调的范式。此外，VAG 只用1%的训练数据就达到了与StyleGAN相匹配的水准，使得训练难度显著降低。

论文题目:
Ensembling Off-the-shelf Models for GAN Training

论文链接:
https://arxiv.org/abs/2112.09130

Github:
https://github.com/nupurkmr9/vision-aided-gan

背景

首先简要介绍GAN网络的训练模式。

▲图一：GAN的基本结构

2014年，Goodfellow发明了GAN网络，GAN的训练过程分为：

1.先固定住生成器，接着训练判别器，使这个判别器能够分辨生成的数据和真实的数据。

2.一定step后固定住判别器，接着训练生成器，使生成器生成的图片骗过判别器。一定step后继续此循环，直到达到纳什平衡的状态。

为什么不一开始就用一个预训练的最优判别器呢？ 因为判别器太强将导致梯度消失，这也就是为什么GAN网络一般是从头开始训练。

本文的作者提出的 VAG 结构不但克服了GAN网络训练中常见的过拟合的问题，还避免了因判别器过强引发的梯度消失。因此VAG能使用预训练过的大型模型作为判别器来提高训练精度、简化训练过程，可谓神奇。下图为VAG模型结构图。

▲图二：VAG结构图

实现方法

1.训练思路

这张结构图表达的训练思想非常简单，首先搭建好一个的预训练模型库，然后从模型库中取出若干个模型再接上分类头组成的新判别器，再跟初始GAN网络的判别器并联。因此模型的训练Loss就变成了下面的样子。

402 Payment Required

也就是说并联的判别器会跟原始判别器一起去训练，由于原始的判别器不够强，所以能一定程度上避免梯度消失，又因为新的判别器是用大数据集训练好的模型，其中蕴含的丰富特征也让GAN网络不至于在某个数据集上过拟合。

2.预训练模型选择

细心的同学也能发现，loss中存在一个系数K，这个K是指在总量为N的预训练模型库中选择K个模型加入到训练中来，这个选择也不是乱选的啊，那必须是要有备而来。

作者先做了K=1情况下的GAN训练实验，在模型库中选一个模型，固定住参数，然后接上一个可训练的分类头，去判断传导进网络的图片是真的还是假的。这个二分类的结果称为Linear Probe Accuracy（以下简称LPA），并比较了不同LPA的模型和最终GAN网络训练评价指标FID的相关性，下图为实验结果。

▲图三：LPA和FID的关系

由上图可知，LPA和FID基本上称线性关系，Acc越高，FID也越好。那么当K不等于1的情况下要怎么样把更多的模型加到训练里去呢？作者采用K-progressive model selection策略来逐步添加模型到原始结构里，并在这个基础上达到了SOTA的效果。如何挑选要添加的模型后面实验有进一步解释。