High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs
pix2pixHD提出了一个模型用于从label map中生成真实的photo。
pix2pixHD都是使用的CGAN的思想，不同的是本文可以产生更加高清的图像，pix2pix生成的是256x256，pix2pixHD可以产生2048x1024大小的图片。这个新的方法包括：一个创新的对抗损伤，多尺度生成器和辨别器。同时结合物体的实例分割，可以对图片的物体进行增删改等，同时给定一个相同的输入，可以产生不同的输出。
本文讨论一种新的方法用于从语义标签中生成高分辨率图片，这种方法应用十分广泛，例如用合成的数据用于训练视觉识别算法，使用语义分割方法可以将图片转换为标签，编辑标签里面的物体，可以将标签再转换为图片。使用pix2pix可以进行图像到图像之间的翻译，但是pix2pix被认为在训练时候不够稳定，并且不能产生高分辨率图片。
这里我们解决两个问题，（1）通过GAN生成高分辨率图片，（2）高分辨率图片缺少细节和真实的纹理。首先通过对抗训练获得我们的结果，然后我们展示添加感知损失可以在一些情况下提升结果。为了支持交互式的语义控制，我们首先使用instance-level的分割信息，他可以将相同的类别的不同物体分离开。接着提出一个方法用于给定形同的标签产生不同的结果。
相关工作：
（1）GAN，之前已经介绍过了。
（2）Image to image translation，对抗学习是广为使用的方法，相比于L1损失更容易产生模糊的边界，对抗损失是一个比较普遍的选择。因为辨别器可以学习一个可训练的损失函数，可以自动用于产生的图片和真实的图片之间。
（3）深度视觉控制，作者专注于物体级别的语义编辑，允许用户可以和整个场景进行交互，并且控制图片中的单独物体。
实例层次的合成：
首先回顾一下pix2pix，接着展示如何让图片更加真实，然后使用额外的实例层次的物体语义分割进一步提升图片的质量，最后引入实例层次的特征编码去更好处理图片合成的多模态特征。
（1）pix2pix baseline
回忆一下，pix2pix没有使用噪声，生成器使用的UNet，在decoder前三层使用的Dropout来增加随即性，且在验证时候不能使用model.eval，否则会关闭dropout和bn。辨别器采用的patchGAN，就是一个全卷积网络。
（2）提高图片真实性和分辨率
使用一个coarse to fine的生成器和多尺度辨别器以及一个坚固的对抗损失函数。
首先看生成器：看到coarse to fine首先就想到了cascade psp网络。生成器由两个子网络G1,G2组成，我们将G1叫做全局生成网络。G2叫做局部增强网络。G1输入为512x1024，G2输出的图片为1024x2048.
对于G1输入是512x1024，输出是512x1024。G2的输入是1024x2048，G2F和G1B的特征图逐像素相加输入到G2R。
在训练时候，首先训练全局生成器，再训练局部增强器，最后共同finetune两个网络。我们使用这种生成器可以有效的聚合全局和局部信息，这样多分辨率的pipline两个分辨率就够了。
多尺度辨别器：为了分辨高分辨率图片，辨别器需要有一个更大的感受野，为了减少参数且预防过拟合，这里使用了多尺度辨别器，三个具有相同结构的辨别器作用于三个不同的尺寸，具体表现在下采样真实的和合成的高分辨率2倍和4倍，这样就有三个尺寸的真实图片和三个尺寸的合成图片。作用于最粗糙尺度的辨别器具有最大的感受野，他对图片有一个全局视角可以引导生成器生成全局的连续图片。作用于最精细尺度的辨别器鼓励生成器产生更精细的细节。
新的目标函数变为一个多任务问题：
（3）提高对抗损失
在辨别器上增加了一个特征匹配损失，具体体现在提取辨别器的多层特征，并且学习去匹配这些中间层的特征。
最终的目标函数：
使用示例图：
仅仅使用语义分割图无法辨别那些相同种类的物体，一个实例语义图对每一个单独的物体都有一个特别的ID，如何结合示例图，方法一可以直接输入到网络中，或者将它编码成独热编码，但是因为每个类别都包含有许多的物体。作者认为实例图提供最有用的信息是物体的边界。如何两个相同类别的物体是紧挨着的话，语义图是无法将他们分辨开的。实例图就可以。
因此提取边界信息，如果它和周围的四个临近ID不相同，那么它就为1，否则为0.（之前写过）。经过边界提取后再和经过one-hot编码的语义标签图concat1在一起。两个图都是由0,1组成的二值图，Ciityscape有19类，编码后19个通道，加实例边缘图一共20个通道。
学习实例层的特征编码：
一个理想的图像合成算法可以产生多种多样，且真实的图片，作者提出添加一个额外的低维特征通道作为生成器的输入。通过控制这些特征，我们可以灵活控制图像和合成进程。为了产生低位特征，我们训练一个encoder网络E去寻找与真实GT对应的低维特征向量。为了保证实例特征都是连续的，我们在encoder输出添加一个逐实例平均池化层去计算实例的平均特征。
平均特征然后广播到实例的所有像素。
我们首先共同训练生成器，辨别器和encoder，接着将所有训练的实例输入到训练好的encoder中，然后对每一个语义种类使用K-means聚类，每一个聚类将特征编码为一个特别的风格。在推理阶段，随机挑选一个聚类来编码特征。这些特征和标签图拼接在一起用作生成器的输入。对每一个实例，我们呈现k种模式可供选择。
结果：
