知乎同名账号同步发布。

0，参考文献和前置知识和阅读注意

• 参考文献

本文通过两篇paper，简述一下如何利用对比学习做无监督。

(ECCV20)Contrastive Learning for Unpaired Image-to-Image Translation
(CVPR22)Unpaired Deep Image Deraining Using Dual Contrastive Learning

一个是Image translation，一个是去雨，后者是很新的工作，依次介绍两篇paper。

• 前置知识

第一篇paper需要了解CycleGAN，建议看b站李宏毅的CycleGAN课程，只需要20分钟。当然忽略本文和CycleGAN相关的内容也问题不大。

博主会默认你对对比学习有一定了解。

• 阅读注意

️不要将本文当做对比学习入门文章，如果要入门对比学习，建议b站搜moco，看李沐(朱毅)的课。

️这两篇建议自行阅读的是：(ECCV20)Contrastive Learning for Unpaired Image-to-Image Translation

1，[ECCV20]Contrastive Learning for Unpaired Image-to-Image Translation

1.1，创新点和架构

直接看模型架构，做的事情是将马变成斑马。如果不用对比学习，也不用无监督，那么上图会做的事情就是：1，将马通过generator生成斑马；2，使用label做一个loss；3，使用生成的斑马和label做一个对抗损失。

然而众所周知，获取大量有label的数据往往是昂贵的事情，所以无监督得以大火。那么再看上图，如果用无监督训练方法，但不用对比学习，需要做的事情就是：1，搜集很多马的图片，构成集合X，搜集很多斑马的图片，构成集合Y，X和Y中的内容不会一一对应；2，将X中的一张图片输入generator，生成一张假斑马，再从Y中选出一张图片，作为真斑马，真假斑马去构成GAN的loss。听起来挺简单的，但是肯定效果不好，如果你明白CycleGAN的原理，那么你就会明白如果只是这样做，是不太合理的。这个不合理之处，可能会表现为：你输入的是站着的马，但输出的会是坐着的马。这个例子可能有点夸张，但想说明的是：模型丧失了内容的一致性（联想到CycleGAN的cycle consistency）。

有了上述思考后，我们来看作者将对比学习引入无监督训练的动机：作者认为，CycleGAN的确是可以做image translation的，但是它所利用的cycle consistency要求两个domain（如果你不知道domain的含义，就先简单理解成刚才说的集合X和Y）之间拥有双射关系。作者认为这个要求或者说约束过于严格，所以他不想使用循环一致性，但是image translation的确需要保证内容的一致性（将马变成斑马，改变的只能有马身上的花纹，马的形状姿势、背景图案等等都不能有改变）。

而对比学习就能够有助于维持内容的一致性。具体而言，将生成的斑马中选一个patch，作为query；input的马中选若干patch，和query位置相同的patch作为正样本，其他作为负样本：

上图的z是query，$z^{+}$和$z^{-}$分别是正样本和负样本，然后就可以愉快地做对比学习了。

作者提出了PatchNCE，一种新的对比损失；以及对比学习的负样本是在单张input图片内部选取patch，而不是从数据集中选取其他图片。

1.2，multi-layer、patchwise的对比学习

为了方便起见，模型图再放到这里：

上图的generator是一个encoder-decoder架构，它的encoder部分连接了灰色的线条，意思就是将马和斑马的图片都要通过这个encoder，选取encoder的L个层输出的feature maps，在特征空间中而不是原图像上来做对比学习。具体见公式：

上图的$l$代表InfoNCE，是一种对比损失，之后会讲它的表达式。H是MLP。注意上式的求和符号，$L$代表一共采用encoder的$L$个层输出的feature maps来做对比损失，不同层的feature maps中的不同空间位置对应着原图中不同的图像patch，层数越深对应的patch越大。$S_l$代表当前层的feature maps一共有$S_l$个spatial locations。${\hat{z}}_l=H_l(G_{enc}^l(G(x)))$，（其中H代表MLP）表示将生成的斑马通过generator的encoder，在encoder的第$l$层输出的feature maps，通过MLP获得${\hat{z}}_l$。$z_l=H_l(G_{enc}^l(x))$，表示将马的图片输入generator的encoder，在encoder的第$l$层输出的feature maps，通过MLP获得$z_l$。${\hat{z}}_l^s$就是${\hat{z}}_l$的一个spatial location，它是query，$z_l^s$就是正样本，$z_l^{S\backslash s}$表示$z_l$中s以外的location，它们是负样本。特别注意$z_l^s\in R^{C_l}$，$z_l^{S\backslash s}\in R^{(S_l-1)\times C_l}$，$C_l$表示feature maps的channel数量。每个spatial location对应到原图上，都是一个patch，所以才叫patchwise的对比学习。通过MLP H获得的新feature maps中的每个spatial location，都是一个维度是channel数量的vector。现在我们知道，query、正样本、负样本都是vector，所以可以顺势给出InfoNCE公式的介绍（️在将vector输入下列公式前，需要先将它们归一化至单位球中，以防止空间塌缩或扩张）：

本质上其实就是交叉熵损失函数，它能够拉近query和正样本在特征空间中的距离，同时推开query和负样本在特征空间中的距离。实际上就相当于一个N+1类的分类问题（对query进行分类，类别有一个正样本对应的类和N个负样本对应的类）。

放出作者画的对比损失示意图：

1.3，完整的loss

这个是完整的loss，包含了GAN的loss，不用再多说；patchNCE的loss包含了两项，刚才在1.2中讲述的是前者。后者的含义是input不是普通的马，而是斑马本身，我对这项的理解就是等价于CycleGAN的identity loss。

${\lambda }_X$和${\lambda }_Y$都为1的时候，模型叫CUT；${\lambda }_X=10$，${\lambda }_Y=0$时，模型叫做FastCUT，可以看做更快更轻量级的CycleGAN。

1.4，实验结果

前两列是作者的方法。其他实验内容就不放在这里了，有需要的可以自行下载paper阅读。

1.5，小结

最大的亮点其实就是负样本仅从单个input图像本身中抽取，作者说这样做使得他们的方法能够在两个域分别只有一张图的时候，训练也是能够进行的：

Our method can operate even when X and Y only contain a single image each.

2，[CVPR22]Unpaired Deep Image Deraining Using Dual Contrastive Learning

2.1，方法介绍

这篇文章的方法不难，但是作者没有选择一个通俗易懂的写法。直接放出架构图：

本质上就是一个CycleGAN结合了对比学习。负责对比学习的模块叫CGB，实际上就是和上篇paper类似，利用将图片经过generator的encoder，再经过MLP获得的若干feature maps，进行对比学习。

不过需要注意的是，作者说之前的方法（就是上篇paper）只在单张input图片内部选取负样本，这在此paper中被称为internal latent codes。作者的意思是负样本也应该在数据集中的其他图片中选取，也就是将internal和external latent codes都用到。

选取负样本的具体做法作者没有讲的很清楚，只有等后续他们放出代码再看了。从文中一直的信息可以知道：对于一个query，作者选取了255个internal的负样本，和256个external的负样本。有可能external的负样本就来自于CycleGAN的另一个cycle consistency分支。

2.2，复杂的loss

作者的loss要素太多：

第一项是InfoNCE，第三项是GAN的对抗损失。第二项是：

作者说对每个通道单独做cycle consistency，这样做的理由是避免cycle consistency loss中存在的通道污染问题。因为如果一次生成一个完整的图像，会导致不同通道相互作用，从而在最终结果中产生伪影。

第四项是：

FT是傅里叶变换，意思是利用傅里叶变换，在频域也做一个cycle consistency loss。

3，小结

其实两篇paper都是在用对比学习来保证content consistency。无论是马边斑马，还是去雨，其实都是对图像进行部分调整，但一些要素内容不应当发生变化，而不能发生变化的部分，就可以尝试采用对比学习去保证content consistency。但也正如第二篇paper所讲：他们在小规模数据集上表现不佳，因为对比学习往往需要大量的样本才能获取不错的性能：

Limitation. Our method has limitation in SID performance when training on the small-scale datasets, due to contrastive learning tends to require a large number of sample pairs to achieve excellent performance.