【PaddlePaddle论文复现】U-GAT-IT: 基于GAN的新型无监督图像转换

复现论文题目：U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation（2019-7-25）
原文
论文复现课程

文章主要解决:

无监督的图像转换的问题，当两个域的图像的纹理和形状差别很大时，现有的一些经典模型(CycleGAN、UNIT、MUNIT、DRIT等)效果不佳，不能很好的到达预期效果，这些算法仅适用于两个差别较小的域，如photo2vangogh和photo2portriat，而cat2dog和selfie2anime(自拍到漫画)效果不好， 本文通过以下方法在几何变形很大的情况下，得到较好的结果：

1、首先是引入注意力机制，这里的注意力机制并不传统的 Attention 或者 Self-Attention 的计算全图的权重作为关注，而是采用全局和平均池化下的类激活图（Class Activation Map-CAM）[2] 来实现的，CAM 对于做分类和检测的应该很熟悉，通过 CNN 确定分类依据的位置，这个思想和注意力是一致的，同时这对于无监督下语义信息的一致性判断也是有作用的，这块我们后续再进行展开。