CycleGan

CycleGAN的一个重要应用领域是Domain Adaptation（域迁移：可以通俗的理解为画风迁移），比如可以把一张普通的风景照变化成梵高化作，或者将游戏画面变化成真实世界画面等等。以下是原论文中给出的一些应用：

当我们固定住生成器的参数训练判别器时，判别器便能学到更好的判别技巧，当我们固定住判别器参数训练生成器时，生成器为了骗过现在更厉害的判别器，被迫产生出更好质量的图片。两者便在这迭代学习的过程中逐步进化，最终达到动态平衡。

这是一开始GAN被提出时的思想，而在CycleGAN中，我们不仅想要生成器产生的图片y'跟数据集Y中的图片画风一样，我们还希望生成器产生的y'图片跟他的输入图片x  内容一样（比如我们输入一张带房子的照片，我们希望产生梵高画风的房子图片，而不是其他内容的图片，比如向日葵、星夜等等，否则意义就不是很大了。因为在一些APP中，我们通常想把自己拍摄的照片变成梵高画作嘛~）。

为了做到这一点，论文作者提出了Cycle Consistency Loss，即将图片y'再放入生成器 F中，产生的新图片X' 和最开始的图片 X 尽可能的相似

即我们希望 F(G(x)) = x

有了这样的约束，我们才能希望生成器将我们的输入照片的风格转化为梵高画风，而不是从梵高的作品中随便挑一张图片来应付我们了事。Cycle Consistency Loss在原论文中的插图解释为

 因此，CycleGAN的Loss由两部分组成，

即 

•  保证生成器和判别器相互进化，进而保证生成器能产生更真实的图片
•  保证生成器的输出图片与输入图片只是风格不同，而内容相同
• 

 

• 训练生成器时， Dx ,Dy参数被固定，只有G,F  的参数可调，因此：
• 

 LOSSgan 保证了生成器产生的图片越来越真实(风格越来越像另一个种类型的图片)

LOSScycle保证了生成器产生的图片内容大致不变

即训练判别器Dx时，应最大化 D(x) 的值（让判别器给真实图像 x 高分）

同时，应该极小化D(F(y))的值（让判别器给生成的图像F(y)  低分），从而提升判别器的判别能力。更新的Dy过程与此类似。

用L1和L2 loss重建的图像很模糊，也就是说L1和L2并不能很好的恢复图像的高频部分(图像中的边缘等)，但能较好地恢复图像的低频部分(图像中的色块)。为了能更好得对图像的局部做判断，作者提出patchGAN的结构，也就是说把图像等分成patch，分别判断每个Patch的真假，最后再取平均！作者最后说，文章提出的这个PatchGAN可以看成所以另一种形式的纹理损失或样式损失。在具体实验时，不同尺寸的patch，最后发现70x70的尺寸比较合适。因为更小的PatchGAN具有更少的参数，运行速度更快，并且可以应用于任意大的图像。