继 GauGAN2 之后，英伟达推出了一个 GAN 的“超级缝合体”——PoE GAN。PoE GAN 可以接受多种模态的输入，文字描述、图像分割、草图、风格都可以转化为图片。

而且它可以同时接受以上几种输入模态的任意两种组合，这便是 PoE 的含义。

所谓 PoE 是 Hinton 在 2002 年提出的“专家乘积”（product of experts）概念，每个专家（单独模型）被定义为输入空间上的一个概率模型。

而每种单独的输入模态都是合成图像必须满足的约束条件，因此满足所有约束的一组图像是满足每个约束集合的交集。

假设每种约束的联合条件概率分布都服从高斯分布，就用单条件概率分布的乘积来表述交集的分布。

在此条件下，为了使乘积分布在一个区域具有高密度，每个单独的分布需要在该区域具有高密度，从而满足每个约束。而 PoE GAN 的重点是如何将每种输入混合在一起。

PoE GAN 的设计

PoE GAN 的生成器使用全局 PoE-Net 将不同类型输入的变化混合起来。

我们将每个模态输入编码为特征向量，然后使用 PoE 汇总到全局 PoE-Net 中。解码器不仅使用全局 PoE-Net 的输出，还直接连接分割和草图编码器，以此来输出图像。

全局 PoE-Net 的结构如下，这里使用一个潜在的特征矢量 z0 作为样本使用 PoE，然后由 MLP 处理以输出特征向量 w。

在鉴别器部分，作者提出了一种多模态投影鉴别器，将投影鉴别器推广到处理多个条件输入。与计算图像嵌入和条件嵌入之间单个内积的标准投影鉴别器不同，这里要计算每个输入模态的内积，并将其相加以获得最终损失。

随意变换输入的 GAN

PoE 可以在单模态输入、多模态输入甚至无输入时生成图片。

当使用单个输入模态进行测试时，PoE-GAN 的表现优于之前专门为该模态设计的 SOTA 方法。

例如在分割输入模态中，PoE-GAN 优于此前的 SPADE 和 OASIS。

在文本输入模态中，PoE-GAN 优于文本到图像模型 DF-GAN、DM-GAN+CL。

当以模式的任意子集为条件时，PoE-GAN 可以生成不同的输出图像。下面展示了 PoE-GAN 的随机样本，条件是两种模式（文本 + 分割、文本 + 草图、分割 + 草图）在景观图像数据集上。

PoE-GAN 甚至还能没有输入，此时 PoE-GAN 就会成为一个无条件的生成模型。以下是 PoE-GAN 无条件生成的样本。

团队介绍

论文通讯作者是英伟达著名工程师刘洺堉，他的研究重点是深度生成模型及其应用。英伟达 Canvas 和 GauGAN 等有趣的产品均出自他手。

论文一作是黄勋，北京航空航天大学本科毕业，康奈尔大学博士，现在在英伟达工作。

论文地址：

https://arxiv.org/abs/2112.05130

PoE：

https://www.cs.toronto.edu/~hinton/absps/icann-99.pdf

投影鉴别器：

https://arxiv.org/abs/1802.05637

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/592/059.htm]