【CVPR 2018】Image Generation from Scene Graphs从场景图中生成图像 [文本转图]

这是李飞飞团队2018年被CVPR接收的一篇文章。PDF下载链接为：https://arxiv.org/abs/1804.01622

（2018.7.6添加）Github代码下载链接：https://github.com/google/sg2im

在这里放上我CSDN的下载链接：

https://download.csdn.net/download/luolan9611/

文件包里有我根据这篇论文做的讲解PPT（如果你要向别人做分享的话，可以在我PPT的基础上进行修改）、这篇论文带注释的PDF，还有这篇论文中提到的几篇论文比如StackGAN，比如GoodFellow大神的GAN的论文等。如有错误，请多指教！

摘要

现有的根据自然语言生成图像的方法，难以生成语言描述中包含多个物体和之间关系的图。于是，作者提出了一个图像生成网络模型，该模型用图卷积处理输入场景图，根据bounding box等计算场景布局，然后把布局用级联细化网络转换成图像。这个网络是针对一对鉴别模型进行训练的，Dimg和Dobj分别用来鉴别真实图像和真实对象，来确保输出的图像真实自然。

引言

现有的由文本生成图像的方法主要是结合递归神经网络（RNN）和生成对抗网络（GAN）来实现的。此前出现了很多效果让人惊叹的由文本转图的方法，其中有代表性的为ICCV 2016 2017的StackGAN方法，它在生成花鸟方面的效果确实Amazing，而且能达到256*256的高分辨率。要知道，在这篇文章之前，生成图像的分辨率几乎都局限在64*64。

下面展示一下StackGAN根据文本描述语言生成的图像效果：

比如上图中第二列的鸟，This bird is white with some black on its head and wings, and has a long orange beak. 这只鸟是白色的，脑袋和翅膀上带点黑色，有一个橘黄色的长喙。生成的效果哇塞，厉害了我的天哪。

然而，尽管这些方法生成的效果令人惊艳。但当它们碰到语言描述中包含有多个物体和复杂物体关系的句子时，往往束手无措。

比如这样的描述：

A sheep by another sheep standing on the grass with sky above and a boat in the ocean by a tree behind the sheep.

这句话是什么意思呢哈哈哈哈：

一只绵羊和在它旁边的另一只绵羊，

站在草上，

天空在上面，

船在海洋上，

海洋在绵羊后边的树旁边。

多么诗意的画面啊，一首小短诗就这样诞生了。

给大家看看StackGAN生成的这张图是什么效果：

额霉zing，这都是些什么东西？我的诗意的画面呢？

让我们来看看李飞飞团队生成的图像吧：

嗯，就是分辨率低了点。但是该有的物体都有啦，而且确实是符合我们所描述的复杂关系的。

他们团队是怎么做到的呢？

首先，将文本转化为场景图

[47]Generatingsemanticallyprecise scene graphsfrom textualdescriptions for improved image retrieval.In EMNLP Vision and Language Workshop, 2015. 1, 2

场景图是一种数据结构，它的节点代表对象，边代表对象之间的关系。作者的团队先将文字描述转换成场景图，然后由场景图作为模型的输入，最后得到生成的图像。

模型

        在讲本文的模型之前，先给大家引入生成对抗网络的概念，“一个 GAN （生成对抗网络）框架，最少（但不限于）拥有两个组成部分，一个是生成模型 G，一个是判别模型 D。在训练过程中，会把生成模型生成的样本和真实样本随机地传送一张（或者一个 batch）给判别模型 D。判别模型 D 的目标是尽可能正确地识别出真实样本（输出为“真”，或者1），和尽可能正确地揪出生成的样本，也就是假样本（输出为“假”，或者0）。而生成模型的目标则和判别模型相反，就是尽可能最小化判别模型揪出它的概率。这样 G 和 D 就组成了一个 min-max game，在训练过程中双方都不断优化自己，直到达到平衡——双方都无法变得更好，也就是假样本与真样本完全不可区分。” 

本文基于两个模型训练：

1.图像生成模型f

    模型的输入是描述对象和之间关系的场景图，场景图被Graph Convolution network [1]处理，图卷积网络沿着场景图的边计算所有对象的嵌入向量。这些向量被传入到Object Layout Network[2]中用于预测对象的bounding boxes和Segmentation masks，将向量的边界框和掩膜结合就能得到对象的布局，将所有对象布局结合就能形成scene layout。然后用一个级联细化网络Cascaded Refinement Network(CRN)[3]将布局转换为生成图像。这个模型是针对一对鉴别器网络进行对抗训练的，训练的时候模型观察真实的对象边界框和分段掩膜，测试的时候这些用的是预测的值。

[1]图卷积网络是由多个图卷积层构成的，单个图卷积层如下所示：

[2]对象布局网络由两部分组成，一部分是Mask regression network，一部分是Box regression network，如下图所示：

[3]级联细化网络Cascaded Refinement Network

CRN由一系列的卷积细化模块构成，每个模块之间是2倍空间分辨率的关系，这就允许以一种由粗到精的方式去生成图片。每个模块接收根据模块输入的分辨率下采样（缩小）后的场景布局和前一个模块的输出。这些输入串联并传递到卷积层，然后在传递到下一个模块之前对输出进行上采样（放大）。

2.一对判别模型Dimg和Dobj

图像判别器Dimg确保生成的图像的整体外观是真实的，它将规则间隔，重叠的图像块集合分类为真实或伪造。

对象判别器Dobj确保图像中的每个对象看起来都是真实的;其输入是一个对象的像素，使用双线性插值法裁剪并重新缩放到固定大小。除了将每个对象分类为真实还是假的，Dobj还确保每个对象都可以使用预测对象类别的辅助分类器来识别; Dobj和f都尝试最大化Dobj正确分类对象的概率。

训练过程简介

训练的时候有6个loss值：

实验结果

1.可以生成多对象的场景，甚至是同一对象类型生成多种实例。

比如(d)中的两辆公交车不同，(f)中不同的花椰菜，(g)中三个人都是不一样的。（左边四列是基于visual genome数据集的，右边四列是基于coco的。 ）

2.生成的例子表明该方法生成图像时遵循了对象之间的关系。

3.具有生成复杂图像的能力

评估结果

作者及团队在Amazon Mechanical Turk平台上做评估，分别用StackGAN和自己的方法根据Caption生成图片，让用户选择更匹配caption的图片，发现结果比StackGAN要好1倍。

又让用户辨认图中的单个物体，对象的召回率和背景的召回率也都比StackGAN强很多。

好啦，今天的论文分享就到这里，欢迎交流。在这里我放上CSDN的下载链接（如果你要向别人做分享的话，可以在我PPT的基础上进行修改）https://download.csdn.net/download/luolan9611/，文件包里有我根据这篇论文做的PPT、这篇论文带注释的PDF，还有这篇论文中提到的几篇论文比如StackGAN，比如GoodFellow大神的GAN的论文等。如有错误，请多指教！

PPT小图示例：