2020 IVC之GAN（image transfer）：GANILLA: Generative Adversarial Networks for Image to Illustration Tran

GANILLA: Generative Adversarial Networks for Image to Illustration Translation
期刊：Image and Vision Computing（Elsevier，3区）
开源：https://github.com/giddyyupp/ganilla
当前的问题及概述：
1.尽管目前最先进的图像-图像转换模型可以成功地转换风格或内容，但它们不能同时转换两者。本文提出了一个新的生成器网络来解决这个问题，并表明产生的网络在风格和内容之间实现了更好的平衡。
2.目前，image to image transfer的评价标准都是基于对有限的图像进行主观的、定性的视觉比较。为了解决这个问题，我们提出了一个新的框架来定量评估图像到插图的模型，其中内容和风格被考虑到使用单独的分类器。

可以看到，cycleGAN的问题是并没有很好的保存内容信息，DualGAN的问题是无法迁移风格，而本文的GANILLA两者有一个很好的的兼顾。
模型及loss：

Backbone采用Res18，将Res18的4个block的前3个输入与decoder的相应上采样尺寸sum，这种跳连接方式将low-level输入到sum层中，有助于保存content。判别器采用PatchGAN