cyclegan网络结构_CycleGAN、DualGAN、DiscoGAN

本文介绍了CycleGAN的网络结构,包括单向和双向GAN,以及生成器和鉴别器的构成。CycleGAN的生成器由编码器、转换器和解码器组成,鉴别器用于区分真实和生成图像。此外,文章还对比了CycleGAN与其他两个类似模型——DualGAN和DiscoGAN,探讨了它们的异同和动机,强调了双向映射的重要性。最后,文章提及了相关工作的实验和模式崩溃问题的解决方案。
摘要由CSDN通过智能技术生成

几篇文章比较相像,单独记录一下再做对比。

一、 cyclegan

1、单向

9d2b6951eaadbe827b0ca60a8cc01074.png
加了重构loss的单向gan。

上图是一个加了重构loss的单向gan。有两个生成器和一个鉴别器,两个loss(生成器的重建Loss和判别器的判别Loss)

2、cycle

d6c25a9775c7307e2ac33deaee27cdb7.png
cyclegan循环一致性损失

CycleGAN本质上是两个镜像对称的GAN,构成了一个环形网络。两个GAN共享两个生成器,并各自带一个判别器,即共有两个判别器和两个生成器。一个单向GAN两个loss,两个即共四个loss。

fe3e7da33c7f7490802b1464f799c15e.png

970ec2b9a136a5f2c8a207cc92f2ba1e.png
理解图

3、网络结构

生成器由编码器、转换器和解码器构成。

7dd76bae5470138295ce2573eb98cba5.png
生成器结构

编码:第一步利用卷积神经网络从输入图象中提取特征。将图像压缩成256个64*64的特征向量。转换:通过组合图像的不相近特征,将图像在DA域中的特征向量转换为DB域中的特征向量。作者使用了6层Reset模块,每个Reset模块是一个由两个卷积层构成的神经网络层,能够达到在转换时同时保留原始图像特征的目标。解码:利用反卷积层(decovolution)完成从特征向量中还原出低级特征的工作,最后得到生成图像。
鉴别器将一张图像作为输入,并尝试预测其为原始图像或是生成器的输出图像。鉴别器本身属于卷积网络,需要从图像中提取特征,再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别。

a31236975d61235075ea90f31a739cd4.png

论文里面提到判别器如果是对数损失训练不是很稳定,所以改成的均方误差损失,如下

6d2a401cdf3bc86112d0704e4e3803cd.png

二、孪生三兄弟

这三篇论文的想法十分相似,几乎可以说是孪生三兄弟,并都取得了不错的结果。不过,这三兄弟的诞生原因也有迹可循。今天就稍微整理一下这三篇相似论文的发展脉络:它们彼此之间的异同,以及它们与前人工作的相似之处。文章总结自Bessie的csdn博客。

CycleGAN 的开头非常优美和引人入胜,先是放出了这些 impressive 的 result;同时用一种带逛博物馆的语气写了 Introduction:“当梵高在一个和煦的春天的早上&

  • 3
    点赞
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值