【论文笔记】CycleGAN

前言： CycleGAN是发表于ICCV17的一篇GAN工作，可以让两个domain的图片互相转化。传统的GAN是单向生成，而CycleGAN是互相生成，网络是个环形，所以命名为Cycle。并且CycleGAN一个非常实用的地方就是输入的两张图片可以是任意的两张图片，也就是unpaired。

单向GAN

读者可以按照原论文的顺序理解CycleGAN，这里我按照自己的思路解读。CycleGAN本质上是两个镜像对称的GAN，构成了一个环形网络。其实只要理解了一半的单向GAN就等于理解了整个CycleGAN。

上图是一个单向GAN的示意图。我们希望能够把domain A的图片（命名为a）转化为domain B的图片（命名为图片b）。为了实现这个过程，我们需要两个生成器 GAB 和 GBA ，分别把domain A和domain B的图片进行互相转换。图片A经过生成器 GAB 表示为Fake Image in domain B，用 GAB(a) 表示。而 GAB(a) 经过生辰器 GBA 表示为图片A的重建图片，用 GBA(GAB(a)) 表示。最后为了训练这个单向GAN需要两个loss，分别是生成器的重建loss和判别器的判别loss。

• 判别loss
  判别器 DB 是用来判断输入的图片是否是真实的domain B图片，于是生成的假图片 GAB(A) 和原始的真图片 B 都会输入到判别器里面，公示挺好理解的，就是一个0,1二分类的损失。最后的loss表示为：
  

  LGAN(GAB,DB,A,B)=Eb∼B[logDB(b)]+Ea∼A[log(1−DB(GAB(a)))]

• 生成loss
  生成器用来重建图片a，目的是希望生成的图片 GBA(GAB(a)) 和原图a尽可能的相似，那么可以很简单的采取 L1 loss或者 L2 loss。最后生成loss就表示为：
  

  L(GAB,GBA,A,B)=Ea∼A[||GBA(GAB(a))−a||1]

以上就是A→B单向GAN的原理。

CycleGAN

CycleGAN其实就是一个A→B单向GAN加上一个B→A单向GAN。两个GAN共享两个生成器，然后各自带一个判别器，所以加起来总共有两个判别器和两个生成器。一个单向GAN有两个loss，而CycleGAN加起来总共有四个loss。CycleGAN论文的原版原理图和公式如下，其实理解了单向GAN那么CycleGAN已经很好理解。

X→Y的判别器损失为，字母换了一下，和上面的单向GAN是一样的：

LGAN(G,DY,X,Y)=Ey∼pdata(y)[logDY(y)]+Ex∼pdata(x)[log(1−DY(G(x)))]

同理Y→X的判别器损失为

LGAN(F,DX,Y,X)=Ex∼pdata(x)[logDX(x)]+Ey∼pdata(y)[log(1−DX(F(y)))]

而两个生成器的loss加起来表示为：

Lcyc(G,F)=Ex∼pdata(x)[||F(G(x))−x||1]+Ey∼pdata(y)[||G(F(y))−y||1]

最终网络的所有损失加起来为：

L(G,F,DX,DY)=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+Lcyc(G,F)

• Note
  论文里面提到判别器如果是对数损失训练不是很稳定，所以改成的均方误差损失，如下
  
  LLSGAN(G,DY,X,Y)=Ey∼pdata(y)[(DY(y)−1)2]+Ex∼pdata(x)[(1−DY(G(x)))2]

下面放一张网友们自制的CycleGAN示意图，比论文原版的更加直观，出处见水印。

效果展示

CycleGAN的效果还是不错的，论文里给出了很多结果图，可以欣赏一下。