GAN學習之路（二）：遷移式模型

遷移變換

以CycleGAN爲例，遷移就是從一個域遷移到另一個域。比如：斑馬到馬；

與CycleGAN很有關係的兩個兄弟DualGAN和DiscoGAN；

CycleGAN的歷史淵源

1. 階段一：cGAN，條件是標註信息；
2. 階段二：pix2pix，條件是圖片信息；
3. 階段三：CycleGAN，條件是圖片信息；（難點在於沒有ground truth）
   解決方法（靈感來源）： NLP中從英文翻譯爲法文，再將翻譯後的法文重新翻譯回英文，看翻譯回的英文與原文的區別；
   即X->Y->X’；

CycleGAN的優化目標

兩個生成器：

• G: X->Y
• F: Y->X’

兩個判別器：

• D1(y) 用來判別G生成器的結果；
• D2(x) 用來判別F生成器的結果；

一些新的內容

循環一致性損失

我們希望X‘能夠儘量的接近X，但是並沒有解決導致模式塌縮，也就是說我們還是不能保證Y是我們想要的Y，於是我們提出了循環一致性損失。

關於DiscoGAN和DualGAN

表達的思想是一致的，三者只有細微的不同。
核心思想都是：”遷移過去，還要遷移回來“

失敗案例

代碼與論文

[1] CycleGAN論文
[2] CycleGAN代碼