CycleGAN是一種用于圖像到圖像翻譯的生成對抗網(wǎng)絡(luò)，它突破了傳統(tǒng)域遷移模型的限制，無需成對樣本即可學(xué)習(xí)圖像在不同域間的轉(zhuǎn)換。這種無監(jiān)督的方法特別適用于難以獲取配對數(shù)據(jù)的場景，例如藝術(shù)風(fēng)格遷移。與需要成對訓(xùn)練樣本的Pix2Pix不同，CycleGAN通過循環(huán)一致性損失和對抗性訓(xùn)練，實現(xiàn)了兩個域之間自由的圖像風(fēng)格轉(zhuǎn)換，極大地擴展了圖像處理的應(yīng)用范圍和靈活性。

這幾個帶讀論文真不錯，解析很精煉入門，可惜都是17年的。

模型結(jié)構(gòu)

CycleGAN 網(wǎng)絡(luò)本質(zhì)上是由兩個鏡像對稱的 GAN 網(wǎng)絡(luò)組成，其結(jié)構(gòu)如下圖所示（圖片來源于原論文）：

為了方便理解，這里以蘋果和橘子為例介紹。上圖中?X?可以理解為蘋果，Y?為橘子；G?為將蘋果生成橘子風(fēng)格的生成器，F?為將橘子生成的蘋果風(fēng)格的生成器，DX?和 DY?為其相應(yīng)判別器，具體生成器和判別器的結(jié)構(gòu)可見下文代碼。模型最終能夠輸出兩個模型的權(quán)重，分別將兩種圖像的風(fēng)格進行彼此遷移，生成新的圖像。

該模型一個很重要的部分就是損失函數(shù)，在所有損失里面循環(huán)一致?lián)p失(Cycle Consistency Loss)是最重要的。循環(huán)損失的計算過程如下圖所示（圖片來源于原論文）：

圖中蘋果圖片?x?經(jīng)過生成器?G?得到偽橘子?Y^，然后將偽橘子 Y^?結(jié)果送進生成器?F?又產(chǎn)生蘋果風(fēng)格的結(jié)果 x^，最后將生成的蘋果風(fēng)格結(jié)果x^?與原蘋果圖片x?一起計算出循環(huán)一致?lián)p失，反之亦然。循環(huán)損失捕捉了這樣的直覺，即如果我們從一個域轉(zhuǎn)換到另一個域，然后再轉(zhuǎn)換回來，我們應(yīng)該到達我們開始的地方。