GAN学习之路（二）：迁移式模型

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Greepex/article/details/85844252

迁移变换

以CycleGAN为例，迁移就是从一个域迁移到另一个域。比如：斑马到马；

与CycleGAN很有关系的两个兄弟DualGAN和DiscoGAN；

CycleGAN的历史渊源

1. 阶段一：cGAN，条件是标注信息；
2. 阶段二：pix2pix，条件是图片信息；
3. 阶段三：CycleGAN，条件是图片信息；（难点在于没有ground truth）
   解决方法（灵感来源）： NLP中从英文翻译为法文，再将翻译后的法文重新翻译回英文，看翻译回的英文与原文的区别；
   即X->Y->X’；

CycleGAN的优化目标

两个生成器：

• G: X->Y
• F: Y->X’

两个判别器：

• D1(y) 用来判别G生成器的结果；
• D2(x) 用来判别F生成器的结果；

一些新的内容

循环一致性损失

我们希望X‘能够尽量的接近X，但是并没有解决导致模式塌缩，也就是说我们还是不能保证Y是我们想要的Y，于是我们提出了循环一致性损失。

关于DiscoGAN和DualGAN

表达的思想是一致的，三者只有细微的不同。
核心思想都是：”迁移过去，还要迁移回来“

失败案例

代码与论文

[1] CycleGAN论文
[2] CycleGAN代码