基于變分自編碼器的人臉正面化產(chǎn)生式模型

張鵬升

摘要：在人臉識別中，人臉姿態(tài)差異處理始終是一個難點。人臉正面化中大體可以分為兩類：一是通過圖形學(xué)方法生成正臉，二是通過產(chǎn)生式模型生成正臉。然而，第一類方法生成的正臉畸變會比較大，第二類方法普遍采用GAN網(wǎng)絡(luò)，但是訓(xùn)練過程不易收斂。為解決以上問題，設(shè)計基于變分自編碼器的產(chǎn)生式模型，采用β?VAE模型，學(xué)習(xí)隱空間與真實圖片空間關(guān)系，提高圖片生成質(zhì)量;使用模擬+無監(jiān)督（S+U）學(xué)習(xí)方法，提高模型在訓(xùn)練過程的穩(wěn)定性。通過在Multi?PIE數(shù)據(jù)集上進(jìn)行實驗，模型在定量打分中取得了不錯效果，能夠生成更加真實的圖片。實驗證明，該模型能夠有效解決傳統(tǒng)方法中生成圖片不真實和訓(xùn)練不穩(wěn)定的問題。

關(guān)鍵詞：人臉正面化;產(chǎn)生式模型;對抗生成網(wǎng)絡(luò);變分自編碼器

The Generative Adversarial Network Based on Variational

Auto?encoder for Face Frontalization

ZHANG Peng?sheng

（Information Technology and Network Security， People′s Public Security University of China，Beijing 102623，China）

Abstract：Pose variations are always difficult to handle in face recognition. Face frontalization can be roughly divided into two categories. The first one is to obtain a frontal face by means of graphics. The second is to get a frontal face through the generative model. However， the frontal face images generated by the first method can be seriously distorted. The second method usually uses the GAN network. However， the process of training is not easy to converge. In order to solve the above problems， this paper proposes a generative network model based on variational auto?encoder and makes the following innovations. First， the model uses the β?VAE to learn the relationship between hidden space and real picture spaces so that the quality of the generated images is improved. Second， the model uses the simulation + unsupervised （S+U） learning method to the stability of the training process. We conducted experiments on the Multi?PIE dataset， which achieved good results in quantitative scoring and could generate more realistic images. Through experiments， it is proved that the proposed model can effectively solve the problem of generating unrealistic images and unstable training in traditional methods.

Key Words：face frontalization; generating model; generative adversarial network; variational auto?encoder

0?引言

神經(jīng)網(wǎng)絡(luò)快速發(fā)展，各種網(wǎng)絡(luò)模型出現(xiàn)，大規(guī)模人臉數(shù)據(jù)集可以進(jìn)行訓(xùn)練，使得人臉識別技術(shù)取得了巨大進(jìn)步。例如，Schroff等[1]提出的FaceNet網(wǎng)絡(luò)在LFW數(shù)據(jù)集上識別率達(dá)到了99.63%。但是，姿態(tài)不變的人臉識別（Pose?Invarian Face Recognition，PIFR）依然是人臉識別中一個巨大挑戰(zhàn)[2]。Sengupta等[3]通過CFP數(shù)據(jù)集測試表明，在根據(jù)正臉或側(cè)臉判別身份時，最優(yōu)算法都比人類直觀判別的效果差。所以，如何處理人臉姿態(tài)差異始終是人臉識別的一個難點。

目前人臉姿態(tài)識別解決方案大體可以分為兩類：第一類是希望直接通過對非正臉進(jìn)行學(xué)習(xí)得到可判別特征，如單一網(wǎng)絡(luò)模型FaceNet根據(jù)不同姿態(tài)人臉特征之間的距離大小進(jìn)行判斷，以及多視圖[4?5]或多特定角度的網(wǎng)絡(luò)模型[6]先對人臉角度進(jìn)行分類，再用對應(yīng)角度的卷積網(wǎng)絡(luò)進(jìn)行識別;第二類是人臉正面化，將側(cè)臉正面化，再對新生成的正面人臉進(jìn)行判別，如Hassner等[7]利用圖形學(xué)方法使用平均3D面部模型生成正臉，被證明有用且高效。基于深度神經(jīng)網(wǎng)絡(luò)的產(chǎn)生式模型在人臉正面化方面同樣取得了很好成績，如堆疊漸進(jìn)式自編碼器（Stacked Progressive Auto?Encoders，SPAE）通過自編碼器將非正臉旋轉(zhuǎn)為正臉[8]，以及通過對抗生成網(wǎng)絡(luò)（Generative Adversarial Network，GAN）的各種變形合成正面人臉[9?12]。

目前，流行的產(chǎn)生式模式大多采用GAN網(wǎng)絡(luò)模型，其中取得較好效果的有DR?GAN網(wǎng)絡(luò)模型，它能夠?qū)W習(xí)姿態(tài)不變的身份表示特征，同時合成任意角度的人臉[12]。但是，該網(wǎng)絡(luò)依舊存在兩點問題：一是其編碼—解碼結(jié)構(gòu)生成器的解耦表示特征不明顯，保持身份特征的效果不是很好;二是GAN網(wǎng)絡(luò)存在訓(xùn)練不穩(wěn)定、不易收斂、對多樣性與準(zhǔn)確性懲罰不平衡等問題。

針對以上問題，本文設(shè)計基于變分自編碼器（Variational Auto?Encoder， VAE）的對抗生成網(wǎng)絡(luò)模型，其由生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)兩部分組成。生成網(wǎng)絡(luò)采用β?VAE模型，目前在解耦表示學(xué)習(xí)方面，β?VAE模型是公認(rèn)效果最好的[13]。生成網(wǎng)絡(luò)中，編碼器G?enc輸入任意角度的人臉，解碼器G?dec輸出特定角度的人臉。判別網(wǎng)絡(luò)D不僅區(qū)分圖片為真實圖片還是合成圖片，而且還預(yù)測圖片的身份。總體而言，本文進(jìn)行了如下創(chuàng)新：①采用β?VAE模型作為生成模型，在編碼過程中不加條件，在解碼過程中加入姿態(tài)編碼c，通過采用變分自編碼器模型，可使G?enc更好地學(xué)習(xí)姿態(tài)不變情況下人臉特征表示;②運(yùn)用模擬+無監(jiān)督（Simulated + Unsupervised ，S+U）學(xué)習(xí)方法[14]，采用局部對抗損失函數(shù)，避免G網(wǎng)絡(luò)只注重圖片的某一區(qū)域而欺騙D網(wǎng)絡(luò)，并且設(shè)置緩存區(qū)，使用已經(jīng)判別過的圖片持續(xù)更新D，通過S+U方法提高整個網(wǎng)絡(luò)訓(xùn)練過程的穩(wěn)定性和有效性。

1?相關(guān)研究

1.1?人臉正面化

因為側(cè)面人臉只含有正面人臉的一部分信息，所以根據(jù)側(cè)臉生成正臉具有挑戰(zhàn)性，一直是計算機(jī)視覺領(lǐng)域的一個難題。人臉正面化可以應(yīng)用于人臉編輯、姿態(tài)變換、數(shù)據(jù)增益、表示學(xué)習(xí)等多個領(lǐng)域，因此受到廣泛關(guān)注。人臉正面化常見方法可以分為兩類：一是利用圖形學(xué)方法從側(cè)臉獲得正面人臉，二是通過產(chǎn)生式模型根據(jù)側(cè)臉生成正臉。在第二類方法中，可以引入對稱性強(qiáng)約束，減小一對多問題困難，如TP?GAN[9]通過一條全局通路和4個局部通路相融合，加入對稱性損失函數(shù)，確保生成的人臉更真實。此外，如CAPG?GAN、DR?GAN能夠進(jìn)行任意角度人臉旋轉(zhuǎn)，進(jìn)一步提升了網(wǎng)絡(luò)性能[11?12]。

1.2?對抗生成網(wǎng)絡(luò)

本文產(chǎn)生式模型整體框架采用對抗生成網(wǎng)絡(luò)模型，由生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)兩部分組成。2014年，Goodfellow等[15]提出了對抗生成網(wǎng)絡(luò)模型，GAN啟發(fā)于博弈論中的二人零和博弈，博弈雙方分別是生成網(wǎng)絡(luò)?G和判別網(wǎng)絡(luò)D。生成網(wǎng)絡(luò)G盡可能學(xué)習(xí)樣本數(shù)據(jù)分布，用服從某一分布的噪聲z生成類似真實數(shù)據(jù)樣本，生成樣本越像真實樣本就越好;判別網(wǎng)絡(luò)D?是一個二分類器，盡可能判別接收的樣本來自真實數(shù)據(jù)還是生成數(shù)據(jù)。二者關(guān)系可以用式（1）表示。

但是，文獻(xiàn)[16]指出原始GAN網(wǎng)絡(luò)在訓(xùn)練過程中容易發(fā)生?D達(dá)到最優(yōu)、G梯度消失的現(xiàn)象，因為在判別網(wǎng)絡(luò)D達(dá)到最優(yōu)時，最小化生成網(wǎng)絡(luò)G的損失函數(shù)等價變換為最小化真實分布p?d與生成分布p?z?之間的JS散度[15]。?p?d和p?z?大概率存在不重疊情況，此時JS散度為常數(shù)log2，導(dǎo)致?G?梯度消失。同時，因為KL散度的不對稱性，GAN訓(xùn)練過程容易出現(xiàn)懲罰不準(zhǔn)確、多樣性不足問題。本文生成網(wǎng)絡(luò)采用變分自編碼器模型，改進(jìn)了?D的損失函數(shù)，避免出現(xiàn)梯度消失情況，而且采用S+U?學(xué)習(xí)方法，增強(qiáng)了網(wǎng)絡(luò)訓(xùn)練過程中的穩(wěn)定性和圖片生成的多樣性。

1.3?變分自編碼器

在本文產(chǎn)生式模型中，生成網(wǎng)絡(luò)采用β?VAE結(jié)構(gòu)。變分自編碼器是一類重要的生成模型，于2013年由Kingma等[17]提出。VAEs由編碼器和解碼器兩部分組成，與GANs網(wǎng)絡(luò)直接進(jìn)行度量生成樣本分布和真實樣本分布不同，VAEs從變分和貝葉斯理論出發(fā)，將學(xué)習(xí)目標(biāo)變成盡可能滿足某個預(yù)設(shè)先驗分布的性質(zhì)[18]。通常希望一個好的生成模型可以學(xué)到數(shù)據(jù)的解耦表示，β?VAE是目前最有效的模型之一[13]。該模型使用修正系數(shù)β修正VAE目標(biāo)函數(shù)，通過重建精度、變化后驗分布和先驗分布的KL散度以更好地學(xué)習(xí)解耦表示。β?VAE目標(biāo)函數(shù)如下：

其中，生成模型通過標(biāo)準(zhǔn)的高斯先驗?p（z）=N（0，1）定義，解碼器p?θ（x|z）通過神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，后驗分布為q?φ（z|x）。方程右半部分是期望E?p?data（x）?[log?p（x）]的變分下界。當(dāng)β=1時，目標(biāo)函數(shù)變?yōu)樵糣AE的函數(shù)，其它情況取β>1，增強(qiáng)隱變量之間的獨立性，以更好地學(xué)到數(shù)據(jù)的解耦表示。

2?網(wǎng)絡(luò)模型

在本文模型中，生成網(wǎng)絡(luò)采用變分自編碼器結(jié)構(gòu)從人臉圖片學(xué)習(xí)身份表示，?G采用人臉圖片、姿態(tài)編碼c作為輸入，從而生成具有相同身份特定角度的人臉。G?enc學(xué)習(xí)圖片到特征表示的映射，G?dec接收學(xué)到的表示并用姿態(tài)編碼進(jìn)行人臉旋轉(zhuǎn)。判別網(wǎng)絡(luò)D判別圖片的身份，與G相互競爭，促使G?生成更加真實且具有特定身份的圖片。

2.1?判別網(wǎng)絡(luò)目標(biāo)函數(shù)

給定人臉圖片?x以及標(biāo)簽y={y?d，y?p}，其中y?d代表身份，y?p代表角度。生成網(wǎng)絡(luò)G的目標(biāo)是學(xué)習(xí)姿態(tài)不變的身份表示，并且合成特定角度y?p但具有相同身份y?d的圖片。判別網(wǎng)絡(luò)D∈RN?d+1代表身份判別器，N?d包括身份類別總個數(shù)，1代表生成圖片為假一類。對于真實圖片x，D需要判斷出它的身份;對于合成圖片=G（x，c），D需要判斷出是假的。因此，D的目標(biāo)函數(shù)是：

式（3）第一部分代表最大化真實圖片?x被識別的概率，第二部分代表最大化生成圖片?被判斷為假的概率。

2.2?生成網(wǎng)絡(luò)目標(biāo)函數(shù)

生成網(wǎng)絡(luò)?G采用β?VAE結(jié)構(gòu)，包括編碼器G?enc和解碼器G?dec。編碼器輸出隱變量z的均值μ和方差σ?文獻(xiàn)[17]中指出q（z|x）～N（μ（x），σ（x）），同時需要保證q（z|x）向N（0，1）看齊，達(dá)到先驗假設(shè)p（z）為標(biāo)準(zhǔn)正態(tài)分布，因此通過KL散度進(jìn)行約束。公式推導(dǎo)如下：

隱變量通過重參數(shù)技巧采樣 z=μ+ε×σ，其中選取ε～N（0，1）。采樣操作不可導(dǎo)，但是利用重參數(shù)技巧使得從N（μ，σ?2）采樣z轉(zhuǎn)換為從N（0，1）采樣ε，保證采樣結(jié)果可導(dǎo)，使得整個模型可以訓(xùn)練。通過獲得從x到z的映射f（x），G?dec根據(jù)姿態(tài)編碼c生成合成圖片=G?dec（f（x），c）。其中，姿態(tài)編碼c∈RN?P由特定角度標(biāo)簽y?p經(jīng)過one?hot編碼而來。因此，G的目標(biāo)函數(shù)為：

其中，?β>1激勵生成網(wǎng)絡(luò)G更好地學(xué)習(xí)各個變量的表示，增強(qiáng)網(wǎng)絡(luò)解耦性。G和D網(wǎng)絡(luò)進(jìn)行交替更新，當(dāng)D判別能力不斷提高時，G也努力生成具有特定身份的正面人臉圖片。

3?實驗

3.1?網(wǎng)絡(luò)結(jié)構(gòu)

在實驗中，?G?enc和判別網(wǎng)絡(luò)D?采用CASIA?Net網(wǎng)絡(luò)模型，而且在每個卷積層后添加批歸一化（Batch Normalization，BN）層和指數(shù)線性單元（Exponential Linear Unit，ELU）層[19]。?G?enc與G?dec之間添加全連接層，通過隱變量進(jìn)行連接，G?dec由與G?enc相反的反卷積層組成。判別網(wǎng)絡(luò)D的全連接層輸出大小為N?d+1，網(wǎng)絡(luò)結(jié)構(gòu)可簡化為圖1。

給定人臉圖片?x?，通過生成網(wǎng)絡(luò)G?enc和G?dec兩部分生成圖片?，判別網(wǎng)絡(luò)D接收真實圖片x，生成圖片進(jìn)行更新并將梯度反傳給生成網(wǎng)絡(luò)G，G?根據(jù)目標(biāo)函數(shù)式（5）更新參數(shù)。

3.2?實驗細(xì)節(jié)

本文使用Multi?PIE數(shù)據(jù)集進(jìn)行訓(xùn)練，如文獻(xiàn)[12]對數(shù)據(jù)集的設(shè)置一樣，使用數(shù)據(jù)集中337位具有中性表情的參與者人臉進(jìn)行實驗，角度選取±60°，共9種，以及20種不同光照強(qiáng)度。選取200名參與者的人臉圖片作為訓(xùn)練集，剩余137名參與者的人臉圖片作為測試集。在訓(xùn)練過程中，因為Multi?PIE數(shù)據(jù)集存在光照影響，因此，添加光照編碼以提升網(wǎng)絡(luò)的解耦性，?N?d=200，N?P=9，Nil=20?。

訓(xùn)練過程采用S+U訓(xùn)練方法。在傳統(tǒng)的對抗訓(xùn)練過程中，?G有時會局限于圖片的某一特征，重點放在一個區(qū)域欺騙D網(wǎng)絡(luò)，忽視了整張圖片的特征。因此，可以采用局部對抗損失函數(shù)，定義判別網(wǎng)絡(luò)分別計算圖片每個區(qū)域的交叉熵?fù)p失值并累加，從而促使生成圖片的每一個區(qū)域都更加真實，而且G有時會生成重復(fù)圖片，但是D因為懲罰的不準(zhǔn)確性可能不予約束。因此，可為之前生成的圖片設(shè)置緩存區(qū)，B為緩存區(qū)圖片數(shù)量，b為每次批訓(xùn)練的大小。在每輪D的訓(xùn)練過程中，使用b/2當(dāng)前生成圖片和b/2緩存區(qū)圖片計算損失函數(shù)，更新參數(shù)。訓(xùn)練過程始終保持B數(shù)量固定，每次訓(xùn)練結(jié)束后用隨機(jī)的b/2?新生成refined圖片替換緩存區(qū)圖片，從而保證訓(xùn)練過程的穩(wěn)定性。

3.3?實驗結(jié)果

分別使用DR?GAN和本文網(wǎng)絡(luò)模型，通過選擇是否采用S+U訓(xùn)練方法進(jìn)行實驗。直觀上，可以通過生成圖片觀察不同網(wǎng)絡(luò)模型的生成效果，此外，可以根據(jù)文獻(xiàn)[20]中起始分值定量衡量生成圖片的真實性，還可根據(jù)文獻(xiàn)[21]中模型分?jǐn)?shù)定量衡量生成圖片的多樣性。本文選取了測試集中4位參與者的側(cè)臉進(jìn)行人臉正面化，效果如圖2所示。

在圖2中，第一列為輸入的側(cè)臉圖片，第2、3列是DR?GAN未使用和使用S+U訓(xùn)練方法生成的圖片，最后兩列是本文設(shè)計模型未使用和使用S+U訓(xùn)練方法生成的圖片。通過對比生成圖片效果和采用定量衡量方式，本文網(wǎng)絡(luò)模型通過使用S+U訓(xùn)練方法，能夠較好地實現(xiàn)人臉正面化。

4?結(jié)語

GANs、VAE等生成模型迅速發(fā)展，使得人臉正面化在近來研究中已經(jīng)取得巨大進(jìn)步[22]。基于變分自編碼器的產(chǎn)生式模型，結(jié)合了兩類模型優(yōu)點，使得訓(xùn)練過程可以學(xué)到更具區(qū)別性的身份表示，增強(qiáng)了網(wǎng)絡(luò)的解耦性;采用新的訓(xùn)練技巧，提升了網(wǎng)絡(luò)穩(wěn)定性與生成圖片多樣性。但是，訓(xùn)練時間長以及未能高效應(yīng)對多種干擾因素等問題仍需繼續(xù)改進(jìn)[23]。

參考文獻(xiàn)：

[1]?SCHROFF F， KALENICHENKO D， PHILBIN J. Facenet： a unified embedding for face recognition and clustering[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2015：815?823.

[2]?DING C， TAO D. A comprehensive survey on pose?invariant face recognition[J]. ACM Transactions on Intelligent Systems and Technology （TIST），2016，7（3）：37.

[3]?SENGUPTA S， CHEN J C， CASTILLO C， et al. Frontal to profile face verification in the wild[C]. IEEE Winter Conference on Applications of Computer Vision，2016：1?9.

[4]?KAN M， SHAN S， CHEN X. Multi?view deep network for cross?view classification[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：4847?4855.

[5]?XIA Y， QIN T， CHEN W， et al. Dual supervised learning[DB/OL]. Arxiv Preprint：1707.00415， 2017.

[6]?MASI I， RAWLS S， MEDIONI G， et al. Pose?aware face recognition in the wild[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：4838?4846.

[7]?HASSNER T， HAREL S， PAZ E， et al. Effective face frontalization in unconstrained images[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2015： 4295?4304.

[8]?KAN M， SHAN S， CHANG H， et al. Stacked progressive auto?encoders（SPAE） for face recognition across poses[C].IEEE Conference on Computer Vision and Pattern Recognition， 2014：1883?1890.

[9]?HUANG R， ZHANG S， LI T，et al. Beyond face rotation： global and local perception GAN for photorealistic and identity preserving frontal view synthesis[C].IEEE International Conference on Computer Vision， 2017：2458?2467.

[10]?CAO J， HU Y， ZHANG H， et al. Learning a high fidelity pose invariant model for high?resolution face frontalization[DB/OL].Arxiv Preprint：1806.08472，2018.

[11]?HU Y， WU X， YU B， et al. Pose?guided photorealistic face rotation[C]. Salt Lake City： IEEE Conference on Computer Vision and Pattern Recognition， 2018.

[12]?LUAN T， YIN X， LIU X. Disentangled representation learning GAN for pose?invariant face recognition[C]. Computer Vision and Pattern Recognition，2017：1283?1292.

[13]?HIGGINS I， MATTHEY L， PAl， et al. Beta?VAE： learning basic visual concepts with a constrained variational framework[C]. Toulon： International Conference on Learning Representations （ICLR）， 2017.

[14]?SHRIVASTAVA A， PFISTER T， TUZEL O， et al. Learning from simulated and unsupervised images through adversarial training[C]. Computer Vision and Pattern Recognition，2017，2（4）：5.

[15]?GOODFELLOW I J， POUGET?ABADIE J， MIRZA M， et al. Generative adversarial nets[C]. International Conference on Neural Information Processing Systems，2014：2672?2680.

[16]?ARJOVSKY M， BOTTOU L. Towards principled methods for training generative adversarial networks[DB/OL].Arxiv Preprint：1701.04862，2017.

[17]?KINGMA D P， WELLING M. Auto?encoding variational Bayes[DB/OL].Arxiv Preprint：1312.6114， 2013.

[18]?DOERSCH C. Tutorial on variational autoencoders[DB/OL].Arxiv Preprint：1606.05908，2016.

[19]?YI D， LEI Z， LIAO S， et al. Learning face representation from scratch[DB/OL].Arxiv Preprint：1411.7923，2014.

[20]?SALIMANS T， GOODFELLOW I， ZAREMBA W， et al.Improved techniques for training GANS[C]. Advances in Neural Information Processing Systems，2016：2234?2242.

[21]?HEUSEL M，RAMSAUER H，UNTERTHINER T，et al. GANS trained by a two time?scale update rule converge to a local Nash equilibrium[C].Advances in Neural Information Processing Systems，2017：6626?6637.

[22]?許哲豪，陳瑋.基于生成對抗網(wǎng)絡(luò)的圖片風(fēng)格遷移[J].軟件導(dǎo)刊，2018，17（6）：207?209+212.

[23]?鄒國鋒，傅桂霞，李海濤，等.多姿態(tài)人臉識別綜述[J].模式識別與人工智能，2015，28（7）：613?625.