Unpaired Portrait Drawing Generation via Asymmetric Cycle Mapping论文阅读2

相关工作：
2.1神经风格转换
Neural style transfer
介绍了使用卷积神经网络CNN进行风格迁移的做法，Gatys这些人使用预训练的神经网络模型对图片的内容特征以及图片的风格特征进行抽取，并用优化图片的方式进行风格迁移：保留提供内容的图片的主要风格，并且进行风格匹配，使用格拉姆矩阵去衡量风格之间的相似度。这种方法打开了风格迁移的大门，并且很多工作是基于此的
2.2基于Gan网络的图片到图片之间的风格迁移
Gan网络在图像超分辨率，文本到图像的合成之间，面部属性操作上都取得了很大的进展，其中，使用pix2pin和cylcegan这两个统一的框架，在图像到图像的合成之间取得很大的进步。
pix2pix是基于有条件的Gan网络的第一种常用的图片到图片之间的转化框架，然后被应用到高分辨率的图像合成上面。
后来由于配对的数据难以获得，越来越多的研究方法开始转向非配对的数据上，一种使用非配对数据的方法即循环一致性限制(cycle consistency constraint)，流行且重要，是CycleGanDualGan的核心。循环一致性损失规定了两个映射A到B ,以及B到A会让一副图片还原到自身，但是这种方法由于信息域之间的不平衡会使得许多脸部信息的丢失，所以本文的作者使用了松弛的循环一致性并且提出了额外的限制条件去解决这个问题。NIR—RGB的方法采用了非常不同的输入不对称的类型，它在向前和向后的周期中使用了相同的损失，并且只更改了网络的复杂性，而且它的目标与我们的任务不同。
上述不成对的方法在输出的多样性上面也受到了限制，MUNIT方法可以产生不同的风格，但是它产生不了清晰的线条，本文方法将样式特征插入到生成器中，使用软分类器去区分训练数据中的模式并且生成多种样式输出，从而生成比最新方法更好的APDrawings的方法。