domain adaptation 之 cycleGAN

之前写的两篇博客《domain adaptation 之 domain adversarial learning（一）》和《domain adaptation 之 domain adversarial learning (二）》使用对抗生成网络(GAN)寻找域不变性特征或拉近特征域距离都是在CNN 深度特征映射空间中进行的，本文介绍的方法是如何从源域生成一批目标域的数据集。论文为：Unpaired Image-to-Image Translationusing Cycle-Consistent Adversarial Networks

一、cycleGAN介绍

cycleGAN是一个图像到图像的对抗生成训练网络，可以很好地迁移图像风格。cycleGAN具有很好的普适性，就像作者提到的那样，它无需配对的数据进行训练，无需先验知识设定模型，也不假设输入输出图像具有相痛的低维嵌入空间 (比如类空间、像素空间、图像特征空间等)。下面是cycleGAN的图像迁移效果。

照片与莫奈的画之间，马与斑马之间，夏天与冬天之间风格的转变，网络能实现一张图像转换为另一种风格的图像，但是输入图像之间、输出图像之间的风格要保持一致，也就是说cycleGAN不是针对两个特定图像之间风格转换，而是针对更高级的表现结构之间的风格转换。

二、cycleGAN的结构

cycleGAN是在给定训练样本 { x i } i = 1 N ∈ X \{x_i\}_{i=1}^N\in X { xi​}i=1N​∈X， { y j } j = 1 m ] ∈ Y \{y_j\}_{j=1}^m]\in Y { yj​}j=1m​]∈Y的情况下，学习域$X$和域$Y$之间的映射函数。

如上图，cycleGAN 包括：

1. 两个映射结构 $G:X\to Y$ 和 $F:Y\to X$；
2. 两个辨别器 $D_X$ 和 $D_Y$。其中$D_X$