CycleGAN算法笔记

论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
论文链接：https://arxiv.org/abs/1703.10593
代码链接：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

CycleGAN是发表在ICCV2017关于将GAN应用在无监督的图像到图像翻译（image-to-image translation）的著名算法，和应用于有监督图像翻译的pix2pix几乎是同一批作者。CycleGAN最大的特点是无监督，也就是不要求训练数据是成对的，只需要提供不同域（domain）的图像就能成功训练不同域之间图像的映射（或者叫翻译），这大大降低了图像翻译的门槛，毕竟某些类型的成对数据并不容易获取，比如同一个场景的夏天照片和冬天照片、同样造型的斑马和马等，因此CycleGAN是非常棒的一个作品。
关于成对和非成对数据的对比可以看Figure2，左边是成对的数据，也就是pix2pix算法所使用的训练数据；右边是非成对的数据，X和Y是不同域的数据，不同域的例子比如夏天和冬天、斑马和马、苹果和橘子等。

CycleGAN算法的整体示意图如Figure3所示，整体上包含2个GAN网络。
假设现在有X和Y两个域，可以简单理解为X为斑马，Y为马。在CycleGAN中有2个生成器，分别用G和F表示，如Figure3(a)所示，生成器G用来基于X域的图像生成Y域的图像（斑马->马）；生成器F用来基于Y域的图像生成X域的图像（马->斑马），这2个生成器的定位是相反的过程，通过(b)和©中的cycle-consistency loss进行约束。同时CycleGAN中有2个判别器，分别用DX和DY表示，用来判断输入的X域或Y域图像是真还是假。因此CycleGAN可以看做是2个GAN的融合，一个GAN由生成器G和判别器DY构成，实现从X域到Y域的图像生成和判别；另一个GAN由生成器F和判别器DX构成，实现从Y域到X域的图像生成和判别，两个网络构成循环（cycle）的过程。

CycleGAN的整个过程可以用如下示意图表示，截取自：https://hardikbansal.github.io/CycleGANBlog/。这个图对CycleGAN的描述非常清晰，该图总共分为上下2部分，分别表示从X域到Y域的图像生成和从Y域到X域的图像生成。

CycleGAN的整体优化目标如公式3所示，一共包含3个部分，第一部分LGAN(G,DY,X,Y)表示生成器G和判别器DY的优化目标；第二部分LGAN(F,DX,Y,X)表示生成器F和判别器DX的优化目标，这2部分是GAN算法本身的优化目标。第三部分Lcyc(G,F)表示cycle consistency loss，用于约束从变换域再变换到原域时图像的一致。

LGAN(G,DY,X,Y)如公式1所示，是常规GAN的优化目标，判别器DY要最大化这个优化目标，生成器G要最小化公式1中的后半部分。LGAN(F,DX,Y,X)也是同理。