CycleGAN Loss函数分析

CycleGAN Loss函数

CycleGAN是GAN发展过程中里程碑式的框架，时至今日在轻量化任务和落地框架中依旧是主流方案之一。
CycleGAN的Loss函数是其能实现在无监督条件下实现良好、稳定效果的精髓所在，其总体Loss函数可以表示为：
$${\mathcal{L}}_{total}={\mathcal{L}}_D+{\mathcal{L}}_G+{\lambda }_{cycle}{\mathcal{L}}_{cycle}+{\lambda }_{identity}{\mathcal{L}}_{identity}$$

Adversarial Loss

对于$X\to Y$可以表示为：
$${\mathcal{L}}_{\text{D}}={\mathbb{E}}_{y\sim p_{\text{data}}(y)}[\log D_Y(y)]+{\mathbb{E}}_{x\sim p_{\text{data}}(x)}[\log (1-D_Y(G(x)))]$$
上述是论文中的表达方式，也是GAN中最常见也是最经典的判别器损失结构，这里我们将遵循官方代码中的表达而不是论文中的方式。
对于A域与B域的数据，当$A\to B$有：