这篇文章信息量有点大！文章的标题叫做Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
这里的unpaired 指的就是两个不同domain的图片集，不是配对的，不是一一对应的，是无序的，实际上，现实中配对的数据并不
容易获得，所以CycleGAN 是无监督的！
例如，斑马转化为马，夏天风景转换为冬天的风景。
摘要部分：
主要提到了cycle consistency loss，下图中体现在 x 与 F(G(x)) 比较接近， y与F(G(Y)) 比较接近，这个约束了G(x)生成的图片跟原始的输入图片不要相差太大。
简介部分：
首先就是提到了配对问题的数据收集上是比较困难的，所以提出了这个算法，该算法假设在两个domain下有一些潜在的关系。虽然对于每张图片来说不配对，属于非监督的。但是在集合层面，可以认为是有监督的，即X 集合 ->Y 集合。如果采用如下方式进行训练，不能保证输入x和输出y是有意义的转换，非常多的G会生成 y_hat的图片，也能满足adversal的要求，会导致常见的一个问题
mode collapse，这里用了cycle consistent 来解决。
直觉上，如果我们把英文的句子翻译成法文，然后将法文翻译成英文，应该能回复到原始的英文。从数学角度来说，引入两个生成器G 和 F ，G(x) -> Y , F(Y) -> X , 要使得 F(G(X)) 与 X 越接近越好， G(F(Y)) 与Y 越接近越好。作者利用上述的方法在风格变换，季节变换，图片增强上有所应用。
目标函数
这里表示X->Y的过程，同理，我们可以定义类似的目标函数表示Y->X的过程，即
另外，cycle consistency loss 有如下定义：
所以cycle gan总的损失函数为：
目标就是求解
