论文阅读：Learning to Discover Cross-Domain Relations with Generative Adversarial Networks

---

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：