🌨️

MobileStyleGAN: A Lightweight Convolutional Neural Network for High-Fidelity Image Synthesis

Created

6/28/2021, 9:54:15 AM

Abstract

•

최근 이미지 생성에서 GAN이 많이 사용되고 있고 특히 StyleGAN은 매우 좋은 결과물을 생성하나 매우 큰 연산량을 가진다는 문제가 있다

•

그래서 이 모델의 최적화에 중점을 두어 계산량이 많은 부분을 분석하고 생성기를 엣지 디바이스에서도 사용가능하도록 하였다

•

제안된 MobileGAN은 StyleGAN 보다 3.5배 적은 파라미터와 9.5배 적은 연산량으로 비슷한 품질을 제공한다

1. Introduction

•

현재 GAN으로 생성하는 이미지의 퀄리티가 매우 높아지고 있는데 초기 DCGAN 의 경우 64x64의 작은 이미지를 생성하였으나 BigGAN 혹은 StyleGAN의 경우는 512, 심지어 1024의 이미지도 생성이 가능하다

•

물론 품질이 좋아진 만큼 연산량도 많이 필요하여 SOTA급 모델들을 엣지 디바이스에서 사용하는것은 어렵다

◦

StyleGAN v2의 경우 28.27M 의 파라미터와 143.15GMAC 의 연산복잡도를 가짐

•

그래서 MobileStyleGAN을 제안

◦

StyleGAN v2 를 기반으로 모델에서 연산량이 많은 부분을 분석하여 품질의 손실 없이 모델을 경량화

◦

8.01M의 파라미터와 15.09 GMAC의 매우 작은 연산 복잡도를 가지지만 FFHQ 데이터에서 FID 12.38이라는 좋은 값을 가짐

•

Main Contribution 은 총 4가지

◦

고품질 이미지 생성을 위한 wavelet-based CNN 기반의 end-to-end 모델 생성

◦

Depthwise Separable Modulated Convolution 을 경량화한 Modulated Convolution 제안

◦

demodulation 부분을 개선 (그래프 최적화에 적용가능)

◦

모델 학습을 위한 KD 기반의 파이프라인

2. Related Work

StyleGAN

•

StyleGAN

◦

큰 이미지 생성을 위해 모델을 점진적으로 증가시키며 훈련하는 Progressive Growing 방식

◦

고정된 값으로부터 이미지 생성을 시작하고 확률적으로 생성된 latent를 기반으로 이미지를 생성

◦

8개의 FCL 을 거쳐 latent를 비선형으로 변환후 AdaIN을 사용해 각 해상도에 스타일벡터로 적용

•

StyleGAN2

◦

실제 통계가 아닌 추정된 통계로 정규화를 하여 droplet modes를 제거

◦

Progressive Growing방식 대신 Skip Connection을 사용하여 눈과 이빨 등의 위치가 강제되는 현상 제거

◦

latent 를 smoothing 하여 PPL을 줄여 이미지 퀄리티를 높임

•

StyleGAN2-ADA

◦

Adaptive Discriminator augmentaion 을 사용하여 적은 데이터로 GAN을 학습하는 방법 제안

Model acceleration

•

CNN 모델의 경량화에 초점을 두고 연구도 많이 진행되고 있음

•

MobileNets 

◦

모바일에서 사용 가능한 경량화된 모델

•

GAN Compression (https://arxiv.org/abs/2003.08936)

◦

Nas와 KD 를 기반으로 Contional GAN 을 자동으로 최적화 하는 프레임워크 제안

•

TinyGAN (https://arxiv.org/abs/2009.13829)

◦

BigGAN을 경량화 할수 있는 distillation pipeline 제안

•

Attention 기반의 경량 GAN ( https://arxiv.org/abs/2101.04775 )

Knowledge distillation

•

큰 모델을 사용하여 작은 모델을 학습시켜 작은 모델

•

최근 많은 모델들이 KD 방식을 pipeline의 일부로 사용 중

Wavelet transform

•

wavelet transform 참고 블로그 ( https://bskyvision.com/404 )

•

Wabelet 기반 방식은 새로운 방식은 아니고 Texture classification, Image restoration, Super resolution 등 많은 CV Task 에서 사용되오던 방식이다

•

Not-So-Big-GAN 이라는 낮은 해상도의 생성모델과 업샘플링을 위한 wabelet 기반의 서브 네트워크를 사용한모델도 있는데 Pixel기반보다 좋은 성능을 보여줌

•

그래서 우리도 Wavelet 기반의 CNN 을 사용하여 네트워크를 경량화시키고 더 smooth 한 latent space를 생성함

3. MobileStyleGAN Architecture

•

기존 StyleGAN2를 기반으로 했기에 기존 Mapping network와 Synthesis network를 사용

Image representational revisited (link)

•

StyleGAN과 같은 기존 대부분의 GAN들은 이미지의 픽셀값을 직접 예측하는것을 목표로하지만 우리의 경우 이미지의 주파수 기반의 representation을 학습

◦

출력 영상의 discrete wavelet transform (DWT) 을 예측

◦

2d 이미지에 DWT를 적용 시 낮은 공간해상도와 다른 주파수 영역을 갖는 4개의 채널로 변환

◦

IDWT를 사용하여 원래 이미지로 복원 가능

•

wavelet 방식은 몇가지 장점을 가짐

◦

Wavelet 방식은 픽셀방식보다 더 많은 이미지의 구조적 정보를 가지고 있기에 저해상도 feature에서 손실없이 고해상도 이미지를 생성가능

◦

Harr wavelet 방식을 사용하였는데 이방식에서의 IDWT는 곱셈없이 효율적으로 구현이 가능 

▪

Haar Wavlet 설명 블로그 : (https://zockr.tistory.com/1065)

◦

 이미지의 디테일을 생성하는것은 매우 복잡하다

▪

StyleGAN의 latent space는 낮은 주파수에선 smooth 하나 높은 주파수에서는 rough 하다

▪

하지만 wavelet 기반에선 고주파 성분에 직접 정규화를 추가할수 있기에 저주파와 고주파 전체에서 smooth한 latent space를 가질 수 있음

Progressive growing revisited (link)

•

StyleGAN2 에서는 여러 해상도에서 명시적인 RGB값을 유지하기위해 Skip Connection을 사용하나 wavelet기반에서는 이것이 이미지 품질에 큰 기여를 하지 않는것을 발견

•

따라서 연산량 감소를 위해 마지막 블록에서만 단일 헤드로 Skip Connection을 대체

•

하지만 중간 해상도에서의 예측도 이미지 안정을 위해 중요하므로 Auxiliary loss를 추가함

Depthwise Separable Modulated Convolution (link)

•

Depthwise Separable convolution은 MobileNet에서 사용된 방식인데 일반적인 Convolution layer는 채널과 필터의 곱의 연산량을 갖는데 이것을 채널별연산 (Depthwise convolution) 과 채널간 연산 (Pointwise Convolution)으로 분리하여 연산량을 줄이는 방식이다

•

이것과 StyleGAN에서 제안한 Modulate Convolution 을 합성한 Depthwise Separable Modulated Convolution( 아 이름 너무길...)은 Modulate Convolution과 마찬가지로 Modulation, convolution, Normalization의 세파트로 구성된다

•

하지만 기존 방식과는 다르게 가중치에 modulate를 적용하는 것이 아닌 실제 입출력 값에 적용을 하여 Depthwise Convolution에 대한 적용을 쉽게 한다

•

Depthwise Separable Modulated Convolution 적용 과정

◦

modulation은 Style sss를 기반으로 각 feature map 을 스케일링함

◦

xxx는 입력값, x′x'x′는 스타일로 스케일된 입력값이고 이것에 Depthwise, Pointwise Convolution이 순차적으로 적용

◦

출력 feature map 통계에서 sss를 제거하기 위해서 demodulation을 적용하는데 Convolution 연산이 선형성이므로 위 두가지 연산을 순차적으로 적용해도 일반 Convolution을 적용한 것과 같은 결과를 가짐

◦

여기에 demodulation 계수를 계산하면

◦

여기서 i,j,ki,j,ki,j,k 는 각각 입력, 출력, feature에 해당하고 연산된 계수를 Convolution 결과에 적용

Demodulation Fusion (Link)

•

Batch normalization과 Convolution의 Fusion은 inference 단계에서 연산량을 감소시키는 매우 좋은 방법이다

•

이것은 두가지 연산이 모두 선형성을 가지기에 하나로 병합하기에 가능한 것인데 Demodulation도 Batch normaliztion과 학습시엔 유사하게 동작하지만 inference 단계에서는 선형적으로 동작하진 못한다

•

스타일이 적용되기 때문인데 이 연산이 선형성을 갖기 위해 스타일 대신 학습 가능한 파라미터로 대체하여 PointWise Convolution과 Fusion을 가능하게 하였고 이방식은 결과의 품질을 손실시키지 않음을 발견함

Upscale revisited (link)

•

기존엔 Upscale을 위해 Transpose Convolution을 사용하였으나 이것을 IDWT로 대체함

•

파라미터가 없기에 추가적으로 DWModulated Convolution블럭을 추가함

•

최종 블럭의 구조는 아래와 같음

Training Framework

•

KD 기반의 훈련 프레임워크를 가짐

◦

SytleGAN2를 Teacher 모델로 사용

Data preparation (Link)

◦

StyleGAN2 생성기가 있다면 paired 학습으로 변경이 가능해짐

▪

style,noise,Iteacherstyle, noise, I_{teacher}style,noise,Iteacher​ 3가지의 paired 데이터

▪

stylestylestyle : StyleGAN2 Mapping network의 출력

▪

noisenoisenoise : StyleGAN2에 입력되는 noise

▪

IteacherI_{teacher}Iteacher​ : StyleGAN2로 생성된 해상도별 이미지

◦

중간중간 auxiliary prediction이 사용되는데 이부분을 위해 IteacherI_{teacher}Iteacher​로부터 생성된 저해상도 이미지 피라미드인 IteacherpyramidI^{pyramid}_{teacher}Iteacherpyramid​를 사용

◦

과적합 방지를 위해 사전 생성된 데이터가 아닌 실제 학습중 데이터를 생성하고 메모리 소모를 줄이기 위해 실제 데이터는 사용하지않고 생성된 데이터만 사용

Training Objective (Link)

◦

Pixel-Level Distillation Loss

▪

Wavelet 영역에서 Pixel 기반 이미지를 예측하는것이 목표

▪

이미지를 wavelet으로 변환 후 두값 사이의 L1 거리를 계산하고 정규화를 위해 추가로 Pixel 영역에서의 비교도 추가 

◦

Perceptual Loss

▪

위에 pixel 기반 loss 만으로는 이미지의 perceptual의 차이는 알 수가 없기에 이것을 해결하는 loss 추가

▪

VGG-16을 기반으로 4개 feature map에서 나온 값에 대한 L2 distance를 계산 하여 합산

◦

GAN loss

▪

위 두가지 로스만 사용해서는 blurred 한 이미지가 생성되기에 추가로 GAN에서 사용되는 기본 loss를 채용

▪

각각 Generator 와 Discriminator에 사용되는 loss로 DTD_TDT​는 differentiable augmentation이 적용된 Discriminator network를 의미

◦

Full objective

5. Experiments

세상에 Experimnets가 이렇게 짧은 논문 처음봄

실험결과가 별로인 건지 실험을 별로 안하고 급하게 낸건지...

Training (Link)

•

FFHQ 데이터셋으로 사전학습된 StyleGAN2를 사용하여 학습

◦

Optimizer : Adam (0.9, 0.999) , 5e-4

◦

매 step마다 Generator와 Discriminator 전부 update

◦

Augmentation : Affine, Cutout

◦

λ1=λ2=1.0,λ3=0.1\lambda_1 = \lambda_2 = 1.0, \lambda_3 = 0.1λ1​=λ2​=1.0,λ3​=0.1

◦

4 x NVIDIA 2080Ti, batch_size = 8 , 3일 소요

Result

•

위 내용이 전부인데 품질의 저하가 없었다는것 치곤 FID가 많이 높아진 느낌

•

아래는 i5-8279U 를 장착한 노트북으로 테스트 했는데 MobileStyleGAN에서 사용된 구조는 그래프 최적화가 가능한 구조여서 그래프 최적화를 자동으로 하게 해주는 OpenVINO를 사용시 매우 빠른 속도를 가질 수 있다고 한다

Conclusion

•

엣지 디바이스에서 접근하기 좋은 모델과 그 모델을 학습하는 pipeline 제안

•

Quantization 이나 prouning등으로 더 향상 시킬수 있을것이다

추가 코멘트

조금 하나씩 적용하면서 변화하는 비교를 만들어 줬으면 싶었는데 없어서 좀 아쉽

안경 사라짐