Amazon利用AI将文字描述转成图片以强化产品探索能力

Amazon利用生成对抗网络（Generative Adversarial Networks，GAN）依据文字产品描述，来产生相匹配的产品范例，让购物者可以依视觉指引，逐渐修正文字查询，直到能够检索出正在寻找的产品为止。

Amazon提到，生成对抗网络能够良好地处理图像合成任务。生成对抗网络由两个网络组成，一个为生成网络，目标是尽可能的产生仿真的虚假样本，而另一个为判别网络，试图辨识出生成网络所产生的虚假样本，并区分出真实样本，这两个网络一起训练，之间的竞争可收敛在一个有用的生成模型上。

将生成对抗网络用在Amazon的这个案例上，可让购买者更简单地探索出想像中的服装，像是购物者可用文字描述“女性的黑色长裤”搜寻长裤商品，并且根据搜寻出来的结果，后续添加“娇小”和“卡普里裤”等特征，系统根据新的单词调整显示的图片。Amazon这个系统特别之处，在于添加新特征后还能够保留旧视觉特征，并产生与文字描述相符的颜色。

Amazon应用的新方法称为ReStGAN，是修改自常用的文字转图像生成对抗网络StackGAN模型。StackGAN将合成图像简化成两部分，其一是从文字产生低分辨率的图像，接着在图像上进行采样，以进一步产生具有材质和自然色彩的高分辨率图像。这两个程序各有其生成对抗网络，将两个生成对抗网络堆叠在一起就成了StackGAN。

而Amazon在StackGAN增加了长短期记忆（Long Short-Term Memory，LSTM）元件，长短期记忆是一款依序处理序列输入的神经网络，Amazon提到，将长短期记忆与生成对抗网络一起训练，这个网络将可随着相继输入的单词，逐渐修改图像。由于LSTM是一种时间循环神经网络（Recurrent Neural Network，RNN），因此新网络名称为递回StackGAN，缩写为ReStGAN。

由于从文字叙述合成图像这项任务仍然非常困难，为了降低复杂度，Amazon将应用限缩在长裤、牛仔裤和短裤三种类似的产品，并且标准化用于训练模型的图像，除了移除背景之外，也进行剪裁和调整大小，使其比例与形状都相同。

新模型的训练大多使用无监督式学习，也就是训练资料主要由产品名称和经标准化的图片组成，没有任何的人工注解，不过为了提高系统的稳定度，Amazon使用了辅助分类器，根据裤子类型、颜色以及适合的性别三个属性进行分类。

在颜色合成上，Amazon提到，传统单词嵌入将颜色名词分在同一群，但是并没有结合人类感知经验，因此Amazon开发了新方法对颜色编码，他们在LAB色彩空间中对颜色进行分组，这个色彩空间的特性，是颜色点之间的距离，与人类感知到的颜色差异相符。Amazon利用分组的颜色建立查询表格，将视觉相似的颜色，对应到文字描述相同的特征中，而建立颜色查询表格附带的好处是，模型更能够合成出具自然颜色的图像。

Amazon以可辨识度和多样性作为指标，计算类型、颜色以及性别三个属性的分数，以比较ReStGAN和StackGAN模型，在类型和性别上，前者比后者分数提高了22％和27％，而颜色分数则改进100％，Amazon提到，这代表使用新的颜色模型效果明显。