如何比較PixelCNN與DCGAN兩種Image generation方法？

01-28

今天組會讀了一下deepmind的PixelCNN(nips的那篇)，不是很明白到底為什麼follow的work這麼多（而且pixel rnn還拿了best paper award。。），感覺pixel by pixel生成是一種非常反直覺的生成方式。而且是規定了從上往下從左往右的順序。這種生成方式的insight在哪裡？
（個人理解是為了引出wavenet？因為對語言序列來說生成是有順序的，但是用來生成圖片就很奇怪了）
相比較，雖然GAN生成的更加隨意，但是laplacian GAN和stack GAN都是一種更符合直覺的方式。

另外，pixel CNN也有生成速度慢的問題，所以它和GAN相比到底有什麼不同的地方值得大家去思考呢？（有什麼可能比GAN更優的地方呢？）
（對pixelCNN還一知半解，只是想到了提個問，歡迎貼個reddit上已有的討論啊什麼的。。。。。。）

謝邀，相比GAN，PixelCNN/RNN有以下幾個優勢:

1. 可以通過chain rule提供exact的data likelihood $p( extbf{x})=prod_{i=1}^{n^{2}} p(x_{i}|x_{1}, ..., x_{i-1})$ ，雖說likelihood不是一個完美的evaluation metric [12]，但它對評價一個generative model還是能提供很多insight（尤其是detect missing mode）。GAN的方法不僅沒有辦法給出exact的likelihood，而且approximate出來的likelihood似乎結果很差 [9]。另外PixelCNN這套方法在likelihood這個metric上是state-of-the-art，甩其它方法一大截。我覺得拿ICML best paper主要就是因為這個。

2. 因為objective function直接就是likelihood，PixelCNN的training要穩定很多。

PixelCNN的典型training curve[11]:

GAN的典型training curve... [10]

3. PixelCNN的data space可以是continuous也可以是discrete的（discrete的performance稍好一點點），但是GAN目前基本還只能在continuous data上work。在discrete data上如何實現GAN目前仍是一個non-trivial的open problem。

當然，除了題主提到的依賴於arbitrary的order而且sampling很慢以外，PixelCNN還有很多缺點：

1. PixelCNN的training其實也很慢，比如OpenAI的PixelCNN++ [8] 要在8塊Titan上train 5天才converge... 這還只是一個CIFAR dataset

2. sample quality明顯不如GAN。現在state-of-the-art的GAN在CIFAR上能生成相當reasonable的sample [5]：

但是PixelCNN++[8]的sample基本還看不出什麼object...

3. 暫時還沒有paper用PixelCNN成功做出來unsupervised/semi-supervised feature learning，但是GAN在這方面碩果累累 [1,2,3,4]。

最後還想說的一點是，PixelCNN和GAN也許並不是非此即彼的關係，在將來有可能可以combine起來。如果有一個generative model能同時具備兩者的優勢，既能給出exact的likelihood又能有GAN這麼好的sample quality，那將會是一個非常有趣的工作。這幾個月的各種model組合（VAE+GAN [6], VAE+PixelCNN [7]）也suggest這種combination或許是可行的。

[1] Salimans et al., Improved Techniques for Training GANs, 2016

[2] Dumoulin et al., Adversarially Learned Inference, 2016

[3] Donahue et al., Adversarial Feature Learning, 2016

[4] Denton et al., Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks, 2016

[5] Huang et. al., Stacked Generative Adversarial Networks, 2016

[6] Larsen et al., Autoencoding beyond pixels using a learned similarity metric, 2016

[7] Gulrajani et al., PixelVAE: A Latent Variable Model for Natural Images, 2016

[8] Salimans et al., PixelCNN++: A PixelCNN Implementation with Discretized Logistic Mixture Likelihood and Other Modifications, 2016

[9] Wu et al., On the Quantitative Analysis of Decoder-Based Generative Models, 2016

[10] torch/torch.github.io

[11] carpedm20/pixel-rnn-tensorflow

[12] Thesis et al., A note on the evaluation of generative models, 2016

本質上來講，PixelCNN生成圖像是以串列的方式，從左到右從上到下排好隊，一個像素一個像素來生成，每個像素的生成僅依賴於上文信息，而GAN生成圖像是以並行的方式，唰一下子生成一幅圖像，每個像素的生成依賴於上下文信息，多利用了下文的信息。我想這也是PixelCNN比較慢和生成圖像質量較GAN差的原因。

NIPS 2016 Tutorial: Generative Adversarial Networks: https://arxiv.org/pdf/1701.00160.pdf
How to Train a GAN? Tips and tricks to make GANs work: soumith/ganhacks