【摘要】：也就是CycleGAN提出了一种在没有成对样本的约束条件下将图像从源域X转换到目标域Y的学习算法。图7-10CycleGAN的风格迁移想要实现风格转换，CycleGAN做了两个比较重要的改进，第一是设置了双生成器和双判别器。图7-11CycleGAN的循环一致性损失
CycleGAN是一种完成图像到图像的转换的一种GAN网络，使用该算法可以把图像转换为另外一种不同的风格，比如把一张拍摄的自然风景图像照片转换为凡·高画风的风格，或者把一张人物生活照转换成动漫人物风格等，如图7-10将自然风景照片被赋予莫奈、凡·高等人的绘画风格。
在CycleGAN之前，Pix2Pix算法也可以实现风格转换，但是这类算法需要有成对的训练数据，要求源图像和目标图像只是风格不同，但是在内容上要非常相似，这对数据集的建立提出了较高要求；而CycleGAN的训练数据则没有这一要求，源图像和目标图像在内容上可以完全不同，算法同样可以实现把源图像的内容迁移到目标图像的风格中。也就是CycleGAN提出了一种在没有成对样本的约束条件下将图像从源域X转换到目标域Y的学习算法。
图7-10 CycleGAN的风格迁移(www.xing528.com)
想要实现风格转换，CycleGAN做了两个比较重要的改进，第一是设置了双生成器和双判别器。如图7-11中（a）所示，对应两个分布X、Y有两个生成器G、F，分别代表X到Y和Y到X的映射关系，两个判别器DX、DY分别对转换后的图片
和
进行判别。第二定义了循环一致性损失（c cle-consistenc loss），将X的图片转换到Y空间后再转换为
，为保持一致性，希望X与
尽量相同，它们二者之间的距离定义循环一致性损失，这样可以有效防止G和F过拟合，例如，想把一个风景照片转化成凡·高风格，如果没有循环一致性损失，生成器可能会生成一张任意的凡·高风格画作来骗过D X，而无视输入的内容。
图7-11 CycleGAN的循环一致性损失
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
