近年来，深度学习在计算机视觉许多领域取得突破性进展。2017年7月23日，计算机视觉领域顶级会议——计算机视觉与模式识别国际会议（IEEE Conference on Computer Vision and Pattern Recognition，CVPR）公布了2017年会议最佳论文，其中一篇是苹果公司Shrivastava团队^[1]的论文《Learning from simulated and unsupervised images through adversarial training》，这篇文章引起了领域内学者的广泛关注。该文尝试解决训练大型深度网络需要大量标签数据的问题。研究表明，通过对抗训练^[2]的方式提高仿真图片的真实性，从而深度网络可以从无标签仿真图片中学习知识，提高真实场景下的识别能力。

深度学习在计算机视觉领域取得巨大成功，它利用大量标签数据对深度网络进行监督训练，而标注大规模数据集非常昂贵和耗时。研究者希望借助现有计算机仿真技术帮助解决此问题，现有的计算机仿真技术利用计算机图形学原理^[3]，可以模拟物体的整体结构特征，而对物体局部细节的模拟不够逼真。直接利用仿真图片训练深度网络，得到视觉模型会过拟和不逼真的仿真图像细节，降低了在真实场景下的识别能力。为了能更好地从这些仿真图片中学到知识，研究者利用真实图片对抗训练^[4]提高仿真图片的逼真性。

研究者在论文中设计了一个提高仿真图片真实性的结构——SimGAN，其核心思想是采用对抗训练，利用深度网络提高仿真图片的真实性（图 1）。SimGAN用仿真器（simulator）生成仿真图片，仿真图片作为输入图片输入精炼网络（refiner），精炼网络是一种特殊设计的深度网络，其通过对抗训练可以改善输入图片的局部细节，输出更为逼真的仿真图片（图 2）。

图 1

Fig. 1

图 1 SimGAN：生成高真实度的仿真图片 Fig. 1 SimGAN to generate real simulated image

图 2

Fig. 2

图 2 SimGAN流程 Fig. 2 SimGAN pipeline

精炼网络的训练有2个损失项来约束：（1）对抗损失项，通过引入额外的判别网络（discriminator）对比真实图片和仿真图片，对生成图片的真实性进行评判，约束精炼网络的输出图片具有更真实的细节；（2）重构损失项，通过对比精炼网络的输出图片和输入图片，计算精炼网络的重构误差，约束精炼网络的输出图片，保持原有图片的结构信息。

以MPIIGaze^[5]数据集的眼球图片为例，训练眼球图片的精炼网络过程中，对抗损失项使精炼网络的输出图片更真实化，例如，在眼角的位置呈现阴影，眼球的纹理更细致等，而重构损失项就是确保精炼网络的输出图片还是眼球图片，例如，存在瞳孔、眉毛等结构。对于NYU数据集中的手部姿态图片来说，由于传感器的限制，真实的图片数据存在空洞和边缘不平整的现象，而计算机仿真图片边缘均是十分光滑，和真实图片存在差异。论文中实验结果如图 3、图 4所示。

图 3

Fig. 3

图 3 眼球图片精炼网络的输出和仿真图片的比较 Fig. 3 Refinement results on UnityEye dataset

图 4

Fig. 4

图 4 手势深度图片精炼网络的输出和仿真图片的比较 Fig. 4 Refinement results on NYU hand pose dataset

从视觉感知上来看，精炼网络确实提高了输入图片的真实感，在眼球精炼示例中，仿真图片中的瞳孔与虹膜有比较清楚的轮廓边界，而真实场景下的眼球图片由于像素、光照等原因，不会呈现如此清楚的轮廓边界。在手势深度图精炼示例中，仿真图片中手掌的边缘总是平整而光滑的，但实际通过传感器采集的图片，由于传感器数据存在噪声的原因，在手掌的边缘会存在不光滑和空洞的现象。

研究者还设计了2个结果评估实验，定量分析精炼网络输出后的图片对训练深度神经网络的作用。眼球图片精炼的结果分析实验有4组不同数据，分别是：第1组，仿真图片数据；第2组，仿真图片数据，数据量为第1组的4倍；第3组，精炼网络输出的图片数据；第4组，精炼网络输出的图片数据，数据量为第3组的4倍。

手势深度图片精炼实验采用NYU^[6]数据集，手势深度图片精炼的结果分析实验有5组不同的数据，分别是：第1组，仿真图片数据；第2组，仿真图片数据，数据量是第1组数据的3倍；第3组，精炼网络输出的图片数据；第4组，精炼网络输出的图片数据，数据量为第3组的3倍；第5组，真实手势图片。

实验结果的横轴是误差的阈值，纵轴是深度网络的准确率，从实验结果可以看出，用精炼网络的输出图片训练深度网络，其测试结果要优于用原始仿真图片训练深度网络的测试结果；此外，由于仿真图片的获取是十分容易的，研究者还测试了大量数据对训练深度网络的增益，在手势深度图片实验中，采用3倍于真实图片的精炼后仿真图片训练深度网络，其效果优于直接用真实图片训练深度网络（图 5）。

图 5

Fig. 5

图 5 眼球及手势深度图的实验结果 Fig. 5 Eye gaze estimation results and hand posture estimation results

实验结果表明，利用现有的计算机图形学技术，可以合成大规模多样化的仿真图像，但是仿真图像的逼真性不够，直接用来训练深度网络，得到的结果会过拟合仿真图像的细节，在真实场景下应用效果并不理想。通过对抗训练的方式，提高仿真图片的逼真性，使得仿真图片逼近真实图片的水平，用精炼后的图片来训练深度网络，可以得到比较好的效果。甚至由于仿真图片的易获取性，采用大量精炼后的仿真图片训练深度网络，效果优于采用真实图片训练的深度网络，例如，论文中手势深度图片的定量分析实验。

论文提出的方法对利用仿真图片训练深度网络提供了一定启发，利用计算机可以高效地产生丰富多样的仿真图片，在产生图片的同时，仿真图片自带精确的标签，将仿真图片和对抗训练相结合是辅助深度网络训练的重要手段，也将是今后研究的热点。

论文提出的方法也存在一定局限性，对抗训练的提出受博弈论中零和博弈的启发，约束生成网络和判别网络不断博弈，使生成网络的输出逼进真实图片的分布，由于同时交替训练2个深度网络，对抗训练的训练过程不太稳定，而且容易出现模型崩溃的问题（模式崩溃是指生成的图片塌缩至某几个样本上）。此外，利用计算机生成仿真图片来辅助训练深度网络，需要在仿真系统里对物体建模，使其在某些场景下不太适用，例如，城市范围内的建筑物识别，如果采用仿真图片来辅助训练，需要对城市内各个建筑建立仿真模型，其工作量是巨大的，此方法便不太适用。

《Learning from simulated and unsupervised images through adversarial training》一文利用对抗训练的方法从无标记的仿真图片中学习知识，提出的精炼网络结合判别器提高了仿真图片的逼真性，同时保留了物体的结构信息。将仿真图片和对抗训练相结合辅助深度网络训练是今后的研究热点，下一步研究重点可能在以下3个方面。

1）探寻更有效的生成模型，使生成的图片更加多样化，训练的过程更加稳定，生成的图片真实度更高。

2）尝试生成更为复杂的场景，同一场景中包含多个物体。

3）尝试仿真系统和对抗训练更有效的结合方式，例如，用仿真物体的视频代替图片来辅助深度网络的训练。