下載客戶端

登錄

華人團隊用Transformer做風格遷移，速度快、可試玩，網(wǎng)友卻不買賬

2021-09-22 10:51

來源：澎湃新聞·澎湃號·湃客

機器之心報道

編輯：杜偉

利用神經(jīng)網(wǎng)絡進行風格遷移是一項非常常見的任務，方法也很多，比如基于優(yōu)化和基于 RL 的方法。最近，來自百度 VIS 團隊的研究者提出了一種基于 Transformer 的風格遷移框架，速度快于基線方法，實現(xiàn)效果也不錯。然而，研究遭到了網(wǎng)友的質(zhì)疑，這是為什么呢？

在圖像渲染領域，神經(jīng)繪畫（Neural painting）指的是為一張給定圖像生成一系列筆畫（stroke），并借助神經(jīng)網(wǎng)絡對其進行非真實性重建。如下圖第一行每張圖像的左下角為真實圖像，以及重建后的非真實圖像；第二行為漸進的繪畫過程。

對于神經(jīng)繪畫任務，雖然基于強化學習（RL）的智能體可以一步步地生成筆畫序列，但訓練一個穩(wěn)健的 RL 智能體并不容易。另一方面，筆畫優(yōu)化方法在一個大的搜索空間中迭代地搜索一系列筆畫參數(shù)。因此，這種低效率的搜索方法極大地限制了基于 RL 方法的泛化性和實用性。

上個月，在一篇 ICCV 2021 Oral 論文中，來自百度 VIS 團隊和羅格斯大學等機構(gòu)的研究者將神經(jīng)繪畫視作一個集合預測問題，提出了全新的、基于 Transformer 的框架——Paint Transformer，從而利用前饋網(wǎng)絡來預測筆畫集合的參數(shù)。就其效果而言，研究者提出的模型可以并行地生成一系列筆畫，并幾乎能夠?qū)崟r地得到尺寸為 512×512 的重建繪畫。

更重要的是，由于訓練 Paint Transformer 沒有可用的數(shù)據(jù)集，研究者設計了一個自訓練的 pipeline，這樣既可以在不使用任何現(xiàn)成數(shù)據(jù)集的情況下訓練，又依然能夠?qū)崿F(xiàn)極好的泛化能力。實驗結(jié)果表明，Paint Transformer 在訓練和推理成本更低的情況下，實現(xiàn)了較以往方法更好的性能。

論文地址：https://arxiv.org/pdf/2108.03798.pdf

項目地址：https://github.com/wzmsltw/PaintTransformer

研究者在 Hugging Face 上提供了一個試玩界面，用戶只需上傳圖像即可生成動態(tài)重建過程和重建后的繪畫。小編也嘗試上傳了一張圖像，生成效果如下所示：

原圖與重建后的繪畫。

動態(tài)重建過程如下：

試玩地址：https://huggingface.co/spaces/akhaliq/PaintTransformer

不過，雖然 Paint Transformer 的效果不錯，但一些 reddit 網(wǎng)友似乎并不買賬。有人認為，「這么簡單的任務根本不需要使用機器學習或神經(jīng)網(wǎng)絡來解決?！?/p>

更有網(wǎng)友表示，「我曾使用 Processing，僅用 50 行 Scala 代碼就實現(xiàn)了類似的結(jié)果?！?/p>

方法

研究者將神經(jīng)繪畫視作一個漸進的筆畫預測過程。在每一步并行地預測多個筆畫，以前饋的方式最小化當前畫布和目標圖像之間的差異。就其結(jié)構(gòu)而言，Paint Transformer 由兩個模塊組成，分別是筆畫預測器（Stroke Predictor）和筆畫渲染器（Stroke Renderer）。

圖 2Paint Transformer 的自訓練 pipeline。

如上圖 2 所示，給定一張目標圖像 I_t 和中間畫布圖像 I_c，筆畫預測器生成一系列參數(shù)以確定當前筆畫集合 S_r。接著，筆畫渲染器在 S_r 中為每個筆畫生成筆畫圖像，并將它們畫在畫布 I_c 上，從而生成結(jié)果圖像 I_r。這一過程可以用以下公式（1）來描述：

在 Paint Transformer 中，只有筆畫預測器包含可訓練的參數(shù)，而筆畫渲染器是無參數(shù)和可微的模塊。為了訓練筆畫預測器，研究者提出了一個利用隨機合成筆畫的自訓練 pipeline。

筆畫定義與渲染器

該研究主要考慮了直線筆畫，這種筆畫可以通過形狀參數(shù)和顏色參數(shù)來表征。如下圖 3 所示，一個筆畫的形狀參數(shù)包括：中心點坐標 X 和 Y，高度 h，寬度 w 和渲染角θ。

筆畫渲染器和參數(shù)定義。

對于神經(jīng)繪畫任務而言，可微渲染是基于筆畫參數(shù)合成筆畫圖像并由此實現(xiàn)筆畫預測器端到端訓練的一個重要問題。但是，對于該研究中的特定筆畫定義，研究者沒有采用神經(jīng)網(wǎng)絡，而是使用了基于筆畫渲染器的幾何變換，從而如預期一樣不需要訓練并且是可微的。筆畫渲染器可以用以下公式（3）來描述：

筆畫預測器

筆畫預測器的目標是為了預測一系列「cover 中間畫布圖像和目標圖像之間差異」的筆畫。此外，為了達到可以模擬真實繪畫過程的抽象程度，研究者希望筆畫預測器在預測很少筆畫的同時，依然可以 cover 大部分的差異區(qū)域。

為了實現(xiàn)這一目標，他們在 DETR 的啟發(fā)下，提出了一個基于 Transformer 的預測器。該預測器輸入 I_c 和 I_t，生成一個筆畫集合，可以用以下公式（5）來描述：

如下圖 4 所示，筆畫預測器以 I_c 和 I_t ∈ R^3×P ×P 作為輸入，首先采用兩個獨立的卷積神經(jīng)網(wǎng)絡來提取它們的特征映射 F_c 和 F_t ∈ R^C×P/4×P/4。

損失函數(shù)

研究者介紹了像素損失、筆畫之間差異的測量以及筆畫損失。

首先是像素損失。神經(jīng)繪畫的一個直觀目標是重新創(chuàng)建目標圖像。因此，I_r 和 I_t 之間的像素損失 L_pixel 在圖像級別受到懲罰：

然后是筆畫損失。訓練期間，有效真值筆畫的數(shù)量是變化的。因此，按照 DETR，在預定義最大筆畫數(shù) N 的情況下，研究者首先需要在 N 筆畫的預測集 ˉS_r 和真值集 S_g 之間生成匹配機制以計算損失。

推理

為了模仿人類畫家，研究者設計了一種從粗到精（coarse-to-fine）的算法，在推理過程中生成繪畫結(jié)果。Paint Transformer 的推理算法如下所示：

實驗

定性比較。如下圖 5 所示，研究者將 Paint Transformer 分別與基于優(yōu)化和基于強化學習的 SOTA 筆畫繪畫生成方法進行了比較。其中，相較于基于優(yōu)化的方法，Paint Transformer 可以生成渲染力更強、更清晰的結(jié)果。不過，Paint Transformer 的生成效果明顯不如基于強化學習的方法。

定量比較。如下表 1 所示，定量比較的結(jié)果與定性比較保持一致。借助生動的畫筆紋理，Paint Transformer 能夠較基于優(yōu)化的方法更好地表征原始內(nèi)容。Zhewei Huang 等人論文《 Learning to paint with model-based deep reinforcement learning 》中提出的方法實現(xiàn)了最佳內(nèi)容保真度，但在抽象處理上較弱。

數(shù)值結(jié)果表明，Paint Transformer 可以成功地預測筆畫，并優(yōu)于其他方法。

效率比較。如下表 2 所示，研究者在一個英偉達 2080Ti 上評估了訓練與推理時間。在推理期間，Paint Transformer 以前饋的方式并行地生成一系列筆畫，因而運行速度明顯快于優(yōu)化基線方法，也略快于強化學習基線方法；對于訓練而言，研究者僅需要幾個小時就可以訓練一個筆畫預測器，從總訓練時長方面比基于優(yōu)化和強化學習的方法更方便。并且，無模型筆畫渲染器和無數(shù)據(jù)筆畫預測器可以高效和方便地使用。

消融實驗結(jié)果如下圖 6 所示：

風格化繪畫。Paint Transformer 可以方便地與藝術(shù)風格遷移方法融合，從而生成更吸引人和風格化的繪畫。研究者使用 LapStyle 和 AdaAttN 等現(xiàn)有風格遷移方法，在風格化內(nèi)容圖像上生成自然的繪畫。如下圖 8 所示，借助這種富有想象力的方式，研究者生成了具有豐富顏色和紋理的風格化繪畫。