如果你是一名玩家，你一定听说过现在两场疯狂流行的大战「大逃杀」，堡垒之夜和绝地求生。他们是两个非常相似的游戏，其中有 100 个玩家在一个小岛上出没，直到剩下一个幸存者。我喜欢堡垒之夜的游戏玩法，但更喜欢绝地求生更逼真的视觉效果。这让我想到了，我们是否可以为游戏提供图形模块，以便我们可以选择喜欢的视觉效果，而无需依赖游戏开发人员为我们提供该选项？如果一个 mod 可以在绝地求生的视觉效果中呈现堡垒之夜的帧，那该怎么办？这就是我决定探索深度学习是否有所帮助的地方，并且我遇到了一种名为 CycleGANs 的神经网络，这种网络恰好擅长风格转换。
什么是CycleGANs？
CycleGAN是用于跨域图像风格转换的一种生成对抗网络。可以训练它们将一个域的图像（如堡垒之夜）转换为另一个域（如绝地求生）。该任务以无监督的方式执行，即这两个域中没有图像的一对一映射。
这个网络能够理解原始域图像中的对象，并应用必要的转换来匹配目标域图像中同一对象的外观。这个算法的最初实现经过训练，可将马匹转化为斑马，将苹果变为橘子，并将照片转化为具有惊人效果的绘画。
以堡垒之夜和绝地求生为例子，训练了一对一的生成性对抗网络，其中一个网络学习堡垒之夜和绝地求生的视觉样式，这两个网络以循环的方式同时训练，以便它们学习在两个游戏中形成对象之间的关系，从而进行适当的视觉转换。
为了使我们的转换有意义，我们实施的条件是这种重构必须与原始图像相似，给我们一个循环损失值，我们的目标是在训练过程中最小化。这与自动编码器类似，不同之处在于我们不在中间步骤的隐藏空间中寻找编码，而是在目标域中寻找整个图像。
这里使用的生成器网络（F2P）主要由三个卷积块组成。第一个在较低纬的隐藏空间中找到堡垒之夜屏幕截图的编码。这种编码被转换为表示同一个隐藏空间中的绝地求生的编码。然后解码器从转换后的编码中构造输出图像，给出看上去像绝地求生的堡垒之夜图像。
之后我们都不需要程序员的设定，自己可以根据自己的爱好来设定自己喜欢的