论文阅读:Learning to Discover Cross-Domain Relations with Generative Adversarial Networks
一、目的
提出一个基于GAN的网络框架来学习发现跨域关系(cross-domain relation),把寻找这种关系变
成了用一种风格的图片生成另一种风格。
下面是论文列举的手提包生成鞋、鞋生成手提包的示意图。
二、模型
GAB表示域A到域B的生成器,GBA表示域B到域A的生成器。为了找到有意义的对应关系,需要将这个映
射限制成一对一映射,意思就是说,GAB和GBA应该是刚好相反的映射。对于所有的A里面的真实样本
xA,GAB(xA)都要在B里面,对于GBA(xB)也一样。
标准的GAN模型
图中xA、xB分别表示A里面和B里面的真实样本,xAB表示真实样本xA经生成器GAB生成的样本。
标准的GAN模型很容易发生模式崩溃。
带有重建损失的GAN模型
基于前面所提出的一对一映射,对于所有的A里面的真实样本xA,GAB(xA)都要在B里面,这相当于要满
足GBA(GAB(xA))=xA这个条件,但是这个条件很难优化,于是改为最小化距离d(GBA(GAB(xA)),xA),
这个d可以是L1,L2等等的度量函数。
于是,标准的GAN模型就被改成了这样:
生成器的损失函数如下: