CycleGan

0.作者及背景

朱俊彦 朱俊彦的机器之心的简要介绍 太强了

上述就是Paired 和 Unpaired image 的区别

1.主要贡献

提到上述的补充知识点就可以知道本文的突出贡献在于不需要配对图片也可以实现风格的迁移
感觉对我有一定的参考目的其实本质上可以看出是domain adaptation的一个过程

通过gan 生成从 X -》 Y 的Mapping ,但是作者在训练过程中发现很难单独地优化对抗网络的目标：标准程序往往会导致众所周知的模式崩溃问题，即所有的输入图像都映射到相同的输出图像，而优化没有取得进展。
所以为了为了解决上述的问题，增加了网络结构 eg：汉语 翻译为 英语 那么相应的英语也应该要翻译真汉语
因此整个模型可以大致分为两个部分：1.adversarial loss将生成图像的分布与目标域的数据分布进行匹配 2. cycle consistency losses 防止学习到的映射G和F相互矛盾。

在这里，训练网络D使得最大概率地分对训练样本的标签（最大化log D(x)和log(1—D(G(z))))，训练网络G最小化log(1-D(G(z))），即最大化D的损失。而训练过程中固定一方，更新另一个网络的参数，交替迭代，使得对方的错误最大化，最终，G 能估测出样本数据的分布，也就是生成的样本更加的真实。

本质上的思路就是上文说的你转过去之后还要能够转回来
X -> Y -> X 实话实话 长得非常像AutoEncoder的结构 果然天下知识点一家亲但是能想到这么运用而且work的非常好的也是非常困难的。

2.细节

本文为了训练的稳定性对于Loss 进行了修改

通过之前的图片而不是最新生成的图片的方式来减少训练过程中出现的震荡