深度學習 基於CNN的紋理合成實踐【附python實現】

Q0: Preliminary knowledge of Texture Synthesis

Baseline請見此處，下文所有的代碼修改均建立此代碼基礎之上。

1. 紋理合成簡述

​ 紋理合成（Texture Systhesis）技術主要應用於計算機圖形學等領域，被用於模擬幾何模型的表面細節、增強繪制模型的真實感。不同於傳統的紋理映射（Texture Mapping）技術，紋理合成是從一個樣本紋理中推導一個泛化的過程，並以此來生成具有那種紋理的任意的新圖像，可有效解決紋理接縫和扭曲等問題。

​ 根據原理的不同，我們常常將紋理合成的方法划分為 過程紋理合成（Procedural Texture Synthesis，PTS）和 基於采樣的紋理合成（Texture Synthesis from Samples，TSFS），具體區別如下。

• PTS：通過對物理生成過程的仿真直接在曲面上生成紋理，如毛發、雲霧、木紋等。這種方法可以逼真地生成紋理圖案，前提是對該紋理的生成過程進行准確的物理建模，這顯然是非常困難的，對於較為復雜的紋理生成問題，PTS行不通；

• TSFS：通過分析給定樣圖的紋理特征來生成大面積紋理。TSFS技術既能保證紋理的相似性和連續性，又避免了PTS中物理模型建立的繁瑣過程。其傳統的算法主要有特征匹配算法、基於馬爾可夫鏈隨機場模型的合成算法以及基於紋理塊拼接的紋理合成算法，而近些年發展較快的，則是基於深度學習的紋理合成方法，本次作業所涉及的《Texture Synthesis Using Convolutional Neural Networks》便屬於此類。

2. 論文思想解讀

2-1 基本架構

• 紋理分析：原始紋理傳入卷積神經網絡（作業采用的是VGG-16網絡），計算其特征圖之間的Gram矩陣；
• 紋理生成：初始化一張白噪聲圖像傳入網絡，計算包含紋理模型的每個層的損失函數，在每個像素值的總損失函數上使用梯度下降算法，最終訓練生成Gram矩陣與原始紋理圖像的Gram矩陣相同的紋理圖像。

2-2 Gram矩陣

​ Gram矩陣可以視為特征圖之間的偏心協方差矩陣，即沒有減去均值的協方差矩陣。其含義可可以這樣理解——”在feature map中，每一個數字都來自於一個特定濾波器在特定位置的卷積，因此每個數字就代表一個特征的強度，而Gram計算的實際上是兩兩特征之間的相關性，哪兩個特征是同時出現的，哪兩個是此消彼長的等等，同時，Gram的對角線元素，還體現了每個特征在圖像中出現的量。”（知乎 90后后生）下圖左式為Gram矩陣的定義式，其實就是用矩陣的轉置乘以矩陣自身來獲取；右式為

Q1: Implementing Gram matrix and loss function.

Use the features extracted from all the 13 convolution layers, complete the baseline project with loss function based on gram matrix and run the training process.

q1-1. 代碼

# Gram矩陣的計算
def get_gram_matrix(feature_map):
    shape = feature_map.get_shape().as_list()
    re_shape = tf.reshape(feature_map, (-1, shape[3]))
    gram = tf.matmul(re_shape, re_shape, transpose_a=True) / (shape[1]*shape[2]*shape[3])
    return gram

# L2損失函數的補充
def get_l2_gram_loss_for_layer(noise, source, layer):
    source_feature = getattr(source, layer)
    noise_feature = getattr(noise, layer)
    Gram_s = get_gram_matrix(source_feature)
    Gram_n = get_gram_matrix(noise_feature)
    loss = tf.nn.l2_loss((Gram_s-Gram_n))/2
    return loss

q1-2. 效果

圖片生成的動態效果圖請點擊此處查看。

Origin	Generate

Q2: Training with non-texture images.

To better understand texture model represents image information, choose another non-texture image(such as robot.jpg in the ./images folder) and rerun the training process.

q2-1. 代碼

​ 為了較好的訓練效果，在Q2中，我給各層添加了遞增的權重，以便更加清晰地對比不同紋理圖片下網絡的生成效果。具體代碼如下。

def get_gram_loss(noise, source):
    with tf.name_scope('get_gram_loss'):
        # weight = np.logspace(0, len(GRAM_LAYERS)-1, len(GRAM_LAYERS), base=3.5)
        weight = np.linspace(1, len(GRAM_LAYERS), len(GRAM_LAYERS), endpoint=True)
        gram_loss = [get_l2_gram_loss_for_layer(noise, source, layer) for layer in GRAM_LAYERS ]
    return tf.reduce_mean(tf.convert_to_tensor(list(map(lambda x,y:x*y, weight, gram_loss))))

q2-2. 效果

	origin	epoch=1000，weight=1,2,3,4……	epoch=5000，weight=1,2,4,8……
red-peppers
robot
shibuya
stone

q2-3. 分析

​ 從實驗結果來看，對於分布有一定規律的紋理圖案，本網絡的生成效果尚佳，如圖red-peppers與圖stone；但是對於非紋理圖案來說，似乎效果並不理想，在生成的圖像中，很難辨認出原圖中的元素。

Q3: Training with less layers of features.

To reduce the parameter size, please use less layers for extracting features (based on which we compute the Gram matrix and loss) and explore a combination of layers with which we can still synthesize texture images with high degrees of naturalness.

q3-1. 代碼

​ 分別將不同layer對應的weight設置為0，以從loss的計算中刪除相應的layer。具體代碼如下。

def get_gram_loss(noise, source):
    with tf.name_scope('get_gram_loss'):
        # weight = [1,1, 1,1, 1,1,1, 1,1,1, 1,1,1]
        # weight = [0,0, 1,1, 1,1,1, 1,1,1, 1,1,1]
        # weight = [1,1, 0,0, 1,1,1, 1,1,1, 1,1,1]
        # weight = [1,1, 1,1, 0,0,0, 1,1,1, 1,1,1]
        # weight = [1,1, 1,1, 1,1,1, 0,0,0, 1,1,1]
        # weight = [1,1, 1,1, 1,1,1, 1,1,1, 0,0,0]
        # weight = [10,10, 20,20, 30,30,30, 40,40,40, 50,50,50]
        # weight = [50,50, 40,40, 30,30,30, 20,20,20, 10,10,10]
        gram_loss = [get_l2_gram_loss_for_layer(noise, source, layer) for layer in GRAM_LAYERS ]
    return tf.reduce_mean(tf.convert_to_tensor(list(map(lambda x,y:x*y, weight, gram_loss))))

q3-2. 效果

all	conv1	conv2	conv3	conv4	conv5
全部保留	刪除conv1	刪除conv2	刪除conv3	刪除conv4	刪除conv5

weight ↗	weight ↘
[10,10, 20,20, 30,30,30, 40,40,40, 50,50,50]	[50,50, 40,40, 30,30,30, 20,20,20, 10,10,10]

q3-3. 分析

​ 在刪除不同層的嘗試中，對比實驗結果可以發現第一層對圖像特征的提取尤其關鍵；同時，單獨刪除conv2-5，對實驗結果的影響不大。同時，我嘗試着賦予向深層遞增或遞減的權重，通過結果的對比，發現權重遞增的情況下生成圖像紋理效果較優，這說明提高深層conv對網絡的影響可以有效提高輸出質量。綜合考量之下，可選擇刪除conv5的feature Map，同時提高深層的權重來獲得較優的效果。

Q4: Finding alternatives of Gram matrix.

We may use the Earth mover's distance between the features of source texture image and the generated image.

q4-1. 代碼

​ EMD（Earth Mover’s Distance）是基於內容的圖像檢索計算兩個分布之間距離的度量標准。EMD可以直觀地理解為線性規划中運輸問題的最優解，即把一種分配轉換為另一種分配所必須支付地最低成本，最早由Peleg等人針對某些視覺問題提出。基於EMD，我們可以構建如下的損失函數。

\[Loss = \sum_l w_l \sum_i (sorted(F_i)-sorted(\hat{F_i}))^2 \]

​ 具體代碼如下所示。

def get_l2_emd_loss_for_layer(noise, source, layer):
    noise_feature = getattr(noise, layer)
    source_feature = getattr(source, layer)
    shape = noise_feature.get_shape().as_list()
    noise_re_shape = tf.reshape(noise_feature, (shape[1]*shape[2], shape[3]))
    source_re_shape = tf.reshape(source_feature, (shape[1]*shape[2], shape[3]))
    noise_sort = tf.sort(noise_re_shape, direction='ASCENDING')
    source_sort = tf.sort(source_re_shape, direction='ASCENDING')
    return tf.reduce_sum(tf.math.square(noise_sort-source_sort))

def get_emd_loss(noise, source):
    with tf.name_scope('get_emd_loss'):
        emd_loss = [get_l2_emd_loss_for_layer(noise, source, layer) for layer in GRAM_LAYERS ]
    return tf.reduce_mean(tf.convert_to_tensor(emd_loss))

q4-2. 效果

此時 loss 還未完全收斂，此為【e:3700 loss: 2575.86865】時的輸出。我的小破電腦已經盡力了……

Origin	Generate

q4-3. 分析

​ 從實驗結果來看，網絡學習到了原始紋理圖片的各個特征向量之間的相關性，生成的圖片與原始圖像的紋理走向相似。但很遺憾的是，更改loss函數為EMD-loss后，網絡缺失了原始紋理圖片的大多數顏色特征（可能與EMD計算過程中的sort操作有關），在色彩呈現上的表現非常不好。

Q5: Training with different weighting factor.

Use the configuration in Q3 as baseline. Change the weighting factor of each layer and rerun the training process.

q5-1. 代碼

​ 根據Q3，使用遞增的權重系數可獲得較優的訓練效果，於是，在Q5中，我設定了兩種權重的遞增序列：1）等差數列；2）等比數列。具體代碼如下。

def get_gram_loss(noise, source):
    with tf.name_scope('get_gram_loss'):
        # weight = np.logspace(0, len(GRAM_LAYERS)-4, len(GRAM_LAYERS)-3, base=2)
        weight = np.linspace(1, 128*(len(GRAM_LAYERS)-3), len(GRAM_LAYERS)-3, endpoint=True)
        weight = weight + [0, 0, 0]
        gram_loss = [get_l2_gram_loss_for_layer(noise, source, layer) for layer in GRAM_LAYERS ]
    return tf.reduce_mean(tf.convert_to_tensor(list(map(lambda x,y:x*y, weight, gram_loss))))

q5-2. 效果

• 等比數列 - 遞增 - \(q\) 為相鄰項的比

q = 2	q = 2.5	q = 3	q = 3.5

• 等差數列 - 遞增 - \(d\) 為相鄰項的差

d = 1	d = 2	d = 4	d = 8
d = 16	d = 32	d = 64	d = 128

q5-3. 分析

​ 相對於等差遞增的權重，在等比遞增的權重下網絡的表現更好。同時，當q或d不斷增大時，生成圖像的還原度也不斷增高。結合這兩種現象，可以得出初步的結論，通過擴大不同層layer權重的差異（即減小淺層layer的權重，增大深層layer的權重），可以有效地提高紋理圖像的還原度；不同層權重的差異越大，網絡生成紋理圖像的效果越好，反之，則生成效果越差。

Q6. Some remaining problems.

1）Q4中EMD-loss效果並不理想，需要對loss函數進行調整以保留更多的紋理特征；

2）Q5中等比數列遞增的權重下，當q增大時，生成圖像的兩側會出現部分的顏色失真，尚不明其原因。