第五章：计算机视觉（Computer Vision）- 项目实战之生成对抗网络实战

第一部分：对抗生成网络原理

第四节：DCGAN算法详解

在上一节中，我们探讨了 GAN 背后的数学原理，理解了其分布匹配和博弈论基础。然而，最初版本的 GAN 在图像生成任务中表现有限，尤其是难以生成高质量的自然图像。为此，DCGAN（Deep Convolutional GAN） 应运而生，它将卷积神经网络（CNN）的结构引入 GAN 中，在保持训练稳定性的同时，大幅提升了生成图像的清晰度和真实性。

1. DCGAN 的提出背景

原始 GAN 的生成器和判别器通常采用全连接层（MLP），在处理高维图像数据时，存在以下问题：

  • 参数量过大，难以训练；

  • 无法捕捉图像的空间局部特征；

  • 容易出现训练不稳定、模式崩塌。

为了解决这些问题，Radford 等人在 2015 年提出 DCGAN，核心思想是：
在生成器和判别器中引入深度卷积网络，利用卷积层和反卷积层（转置卷积层）来更好地处理图像。

2. DCGAN 的核心结构

(1) 生成器（Generator）

生成器的目标是将随机噪声向量 (z \sim \mathcal{N}(0,1)) 转换为一张逼真的图像。
其主要设计特点：

  • 全卷积结构：使用反卷积（Transposed Convolution）逐步放大特征图，得到高分辨率图像；

  • 批量归一化（Batch Normalization）：在每一层使用 BN 来稳定训练，避免梯度消失或梯度爆炸；

  • 激活函数：中间层使用 ReLU，最后一层使用 Tanh 将像素值约束在 ([-1, 1])。

典型生成器结构（以 64×64 图像为例）：

输入: 100 维噪声向量 z
→ 全连接层 reshape
→ 转置卷积层（BN + ReLU）
→ 转置卷积层（BN + ReLU）
→ 转置卷积层（BN + ReLU）
→ 转置卷积层（Tanh）
输出: 64×64×3 图像

(2) 判别器（Discriminator）

判别器的任务是区分输入图像是真实样本还是生成样本。
其主要设计特点：

  • 卷积下采样：通过普通卷积（stride > 1）逐步降低图像分辨率，提取判别特征；

  • 批量归一化（BN）：在隐藏层中使用 BN，保证梯度稳定；

  • 激活函数：使用 LeakyReLU 而非 ReLU，避免神经元“死亡”；

  • 输出层：最终通过 Sigmoid 输出概率值（真实或伪造）。

典型判别器结构（以 64×64 图像为例）：

输入: 64×64×3 图像
→ 卷积层（LeakyReLU）
→ 卷积层（BN + LeakyReLU）
→ 卷积层（BN + LeakyReLU）
→ 卷积层（BN + LeakyReLU）
→ 全连接层 + Sigmoid
输出: 真假概率

3. DCGAN 的设计原则

Radford 等人提出了 DCGAN 的一系列设计经验，至今仍广泛使用：

  1. 在判别器中使用 卷积层 代替池化层（Pooling）；

  2. 在生成器中使用 转置卷积层 进行上采样；

  3. 使用 批量归一化 稳定训练过程；

  4. 生成器中使用 ReLU，判别器中使用 LeakyReLU；

  5. 输出层分别使用 Tanh（生成器）和 Sigmoid（判别器）。

这些原则极大地提升了 GAN 的稳定性和生成效果，被认为是 GAN 领域的奠基性工作。

4. DCGAN 的优势与不足

(1) 优势

  • 生成图像质量显著提升；

  • 网络结构清晰，易于实现和扩展；

  • 能在无监督条件下学习到图像的潜在特征表示；

  • 为后续的各种 GAN 改进（如 WGAN、StyleGAN）奠定基础。

(2) 不足

  • 对复杂场景图像生成仍有限；

  • 容易出现模式崩塌（Mode Collapse）；

  • 难以处理高分辨率图像（>128×128）。

5. DCGAN 的应用场景

  • 人脸生成：如 CelebA 数据集上的高质量人脸图像合成；

  • 艺术创作：将噪声映射为抽象艺术图像；

  • 表示学习：作为特征提取器，用于下游任务（分类、检索）。

6. 小结

DCGAN 是第一个将深度卷积神经网络引入 GAN 的成功案例，奠定了现代 GAN 模型的基础。它通过卷积与转置卷积结构、BN 层、激活函数设计等手段，有效提升了生成图像的质量与训练的稳定性。