1.Introduction
GANs在最近两年得到了广泛的应用,本文研究的技术很多人就已经提到过,尽管如此,之前的论文都是关注特定的应用,而cGANs作为图像转换的问题的通用方法的有效性仍然是不清楚的,我们的主要贡献 在于阐释了cGANs在很多问题上都能产生合理的结果,第二个贡献在于提出来一个简单有效的框架,并分析了几种结构的选择结果
2.Related work
2.1图像建模的结构化损失
Image-to-image 的问题通常被表述为逐像素的分类或者回归问题。这些表述将输出空间看作是非结构化的,即:每个输出的像素都被看作是条件独立于其他所有的像素。cGANs相反,学习结构化的损失(Structured losses),结构化的会对 输出节点的构造进行处罚。大多数文章都考虑这种loss,如条件随机场,SSIM指标,特征匹配,非参数化loss,卷积伪先验,基于匹配协方差统计的损失。cGANs不同于学到的loss,理论上,其实惩罚介于输出和目标之间的任何可能的不同结构。
2.2 条件GAN
前人早就将条件GAN用在如离散标签,文本,和图像等等。图像条件的模型是从一个标准map进行图像预测,未来帧预测,产品照片生成,从稀疏标注中进行图片生成(文献[46]中式用一个自动回归方法来解决这个问题)。其他虽然也有将GAN用在image-to-image上,但是只用无约束GAN,并依赖其他项(如L2回归)来强制输出是约束于输入的。这些文献在如图像修复,未来状态预测,基于用户操作的图像编辑,风格转换和超分辨率。每个方法都只适用具体领域。本文方法希望做到普适&#