cyclegan、ptgan、stargan、数据不够gan来凑

目录

1、普通gan

2、cyclegan

3、ptgan

4、stargan

---

ptgan模型代码地址看着一篇：

https://blog.csdn.net/aaa958099161/article/details/93993550

1、普通gan

2、cyclegan

两个生成模型，两个个判别器

注意：

两个生成模型，两个个判别器

两个判别器，其中一个判别器只能判别斑马，另外一个只能判别普通马

判别器模型很简单，生成器损失函数如下：

self.g_loss = self.criterionGAN(self.DA_fake, tf.ones_like(self.DA_fake))                    
+ self.criterionGAN(self.DB_fake, tf.ones_like(self.DB_fake))                 
 + self.L1_lambda * abs_criterion(self.real_A, self.fake_A_)               
  + self.L1_lambda * abs_criterion(self.real_B, self.fake_B_) 

效果：

有这种趋势吧，细心调一下模型会有更好的效果，挺好玩的。作者弄了个界面，上面有很多应用展示：

https://junyanz.github.io/CycleGAN/  

3、ptgan

提出了一种针对于行人重识别的生成对抗网络 PTGAN，使用 GAN 将一个数据集的行人迁移到另外一个数据集。

可以实现不同 ReID 数据集的行人图片迁移，在保证行人本体前景不变的情况下，将背景转换成期望的数据集 style。

另外本文还提出一个大型的 ReID 数据集 MSMT17，这个数据集包括多个时间段多个场景，包括室内和室外场景，是一个非常有挑战的数据集。

MSMT17 数据集有以下几个特性：

数据采集时长约为 180 小时

总共有 15 个相机，其中 12 个室外相机，3 个室内相机

行人框由 Faster RCNN 机标完成

最后总共有 4101 个行人的 126441 个 bounding boxes

 首先 PTGAN 网络的损失函数包括两部分：

首先第一部分是 LStyle，这个就是标准的 CycleGAN 的判别 loss，λ1 是平衡两个损失的权重。

其中 M(a) 和 M(b) 是两个分割出来的前景 mask，ID loss 将会约束行人前景在迁移过程中尽可能的保持不变。

self.g_loss = self.criterionGAN(self.DA_fake, tf.ones_like(self.DA_fake)) 
 + self.criterionGAN(self.DB_fake, tf.ones_like(self.DB_fake)) 
 + self.L1_lambda * abs_criterion(self.real_A, self.fake_A_)
 + self.L1_lambda * abs_criterion(self.real_B, self.fake_B_)
 + self.L2_lambda * mae_mask_criterion(self.real_A, self.fake_B, self.mask_A) 
 + self.L2_lambda * mae_mask_criterion(self.real_B, self.fake_A, self.mask_B)

ptgan生成网络的损失函数，和cyclegan差别在后面两项。

4、stargan

提出问题：

       StarGAN的引入是为了解决多领域间的转换问题的，之前的CycleGAN等只能解决两个领域之间的转换，那么对于含有C个领域转换而言，需要学习C*(C-1)个模型，但StarGAN仅需要学习一个。

创 新 点：

     StarGAN生成器模型加入了一个域的控制信息，

     鉴别器不仅仅需要学习鉴别样本是否真实，还需要对真实图片判断来自哪个域

1、将输入图片x和目标生成域c结合喂入到生成网络G来合成fake图片

2、将fake图片和真实图片分别喂入到鉴别器D，D需要判断图片是否真实，还需要判断它来自哪个域

3、与CycleGAN类似，还有一个一致性约束，将生成的fake图片和原始图片的域信息c'结合起来喂入到生成器G要求能输出重建出原始输入图片x

效果：

 这篇论文也很好玩哦。。。end