這篇文章信息量有點大！文章的標題叫做Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
這裏的unpaired 指的就是兩個不同domain的圖片集，不是配對的，不是一一對應的，是無序的，實際上，現實中配對的數據並不
容易獲得，所以CycleGAN 是無監督的！
例如，斑馬轉化爲馬，夏天風景轉換爲冬天的風景。
摘要部分：
主要提到了cycle consistency loss，下圖中體現在 x 與 F(G(x)) 比較接近， y與F(G(Y)) 比較接近，這個約束了G(x)生成的圖片跟原始的輸入圖片不要相差太大。
簡介部分：
首先就是提到了配對問題的數據收集上是比較困難的，所以提出了這個算法，該算法假設在兩個domain下有一些潛在的關係。雖然對於每張圖片來說不配對，屬於非監督的。但是在集合層面，可以認爲是有監督的，即X 集合 ->Y 集合。如果採用如下方式進行訓練，不能保證輸入x和輸出y是有意義的轉換，非常多的G會生成 y_hat的圖片，也能滿足adversal的要求，會導致常見的一個問題
mode collapse，這裏用了cycle consistent 來解決。
直覺上，如果我們把英文的句子翻譯成法文，然後將法文翻譯成英文，應該能回覆到原始的英文。從數學角度來說，引入兩個生成器G 和 F ，G(x) -> Y , F(Y) -> X , 要使得 F(G(X)) 與 X 越接近越好， G(F(Y)) 與Y 越接近越好。作者利用上述的方法在風格變換，季節變換，圖片增強上有所應用。
目標函數
這裏表示X->Y的過程，同理，我們可以定義類似的目標函數表示Y->X的過程，即
另外，cycle consistency loss 有如下定義：
所以cycle gan總的損失函數爲：
目標就是求解
