【算法笔记】CycleGan 循环生成对抗网络

原文：

1. https://blog.csdn.net/qq_21190081/article/details/78807931
2. https://www.jianshu.com/p/64bf39804c80

1. 单向 GAN

https://blog.csdn.net/nymph_h/article/details/96432920

2. 循环 GAN

而循环对抗生成网络可以看作两个普通的GAN分别首位相接，如图所示。

看上去就是两个原本的GAN头尾叠在一起了，但是注意，相比原图，中间结果要求是服从另一个图片域的假图，而不是抽象的代码。下面是别人的图片。


与原来的普通GAN相比，损失函数由两个变为了四个（容易理解）。
程序的工作流程变为：

1. 从域A选择一张图片input_A，通过G_ab变换为域B中的一张假图片Gen_B，计算分类器Discrimination_B的损失
2. 将假图片通过G_ba变换回域A，得到Cyclic_A，计算它与input_A之间的损失
3. 另一半网络，执行相同的步骤。

可以实现无配对的两个图片集的训练是CycleGAN与Pixel2Pixel相比的一个典型优点。但是我们仍然需要通过训练创建这个映射来确保输入图像和生成图像间存在有意义的关联，即输入输出共享一些特征。