cyclegan

其损失函数可以概括为：

 核心思想在于下列式子：

 

该式子的思想在于：

理论上对抗训练可以学习到 映射G与F，并生成与目标域 Y与X 相似的分布的输出（严格地讲，这要求映射G与F 应该是一个随机函数。然而，当一个网络拥有足够大的容量，那么输入任何随机排列的图片，它都可以映射到与目标图片相匹配的输出分布。因此，不能保证单独依靠对抗损失而学习到的映射可以将每个单独输入的映射到期望得到的。

为了进一步减少函数映射可能的得到的空间大小，我们认为学习的的得到的函数应该具有循环一致性(cycle-consistent)：数据域X中的每一张图片x在循环翻译中，应该可以让x 回到翻译的原点，反之亦然，即前向、后向循环一致，换言之：

 参考CycleGAN论文的阅读与翻译，无监督风格迁移 - 知乎