For Cross-Domain person Re-ID 文献速览

1. Instance-Guided Context Rendering for Cross-Domain Person Re-Identification
   Idea：使用U-net网络，生成源域行人图像和目标域背景相结合的多张图像，扩充数据集的延展性。是一件非常有意义的事情。
   判别器：使用了四个判别器帮助网络进行训练，
   Adversarial Loss，Camera Loss，Context Loss，Identity Loss
   
2. Adaptive Transfer Network for Cross-Domain Person Re-Identification
   这篇文章的特殊之处在于，是从三个方面进行如下转换，使用了三个CycleGAN分别生成光照差异、摄像头角度差异、分辨率差异。在此基础上，利用三者进行风格迁移。突破了数据集之间跨域的问题，直接将所有数据集都转换成为了三种风格。

3， Image-Image Domain Adaptation with Preserved Self-Similarity and Domain-Dissimilarity for Person Re-identification
早期基于CycleGAN的风格迁移模型，主要是 
SPGAN = CycleGAN + L(ide)+L(con)

问题：从文中生成样本的图示中，可以看出转换后的行人style并没有非常明显的风格转换，行人的前景和背景并没有很大的变化。因为我的理解是，跨域的风格转换，应该是保证行人的前景不变，背景的风格应该有所转变，随意这篇文章的意义不是很懂。

4，Progressive Pose Attention Transfer for Person Image Generation（详解）

文章的主要贡献，是设计了一个渐进式的姿态转移注意力机制模块，并使用这个这个模块作为生成器。

文章主要思想：使用注意力机制更好的关注到行人姿态的兴趣区域，引导生成器更好的关注行人的外观特征表示和姿态特征表示。

• 设计了一个姿态注意力机制网络（Pose-Attention Transfer Network），重点关注pose机制
• 更新image feature的同时，也在更新pose feature
• 设计了两个判别器，一个判别图像，一个判别姿态