关于StarGAN

论文阅读笔记

论文题目：StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation

创新点：只需使用一个模型就可以对多个域执行图像到图像的转换，交叉域模型（cross-domain models）需要成对建立不同域之间的模型，如下图所示

starGAN的基本结构如下图所示

Loss函数
Adversarial Loss
$L_{adv}=E_x[log{D}_{src}(x)]+E_{x,c}[log(1-D_{src}(G(x,c)))]，使判别器不能区分真图和假图$

Domain Classification Loss
$L_{cls}^r=E_{x,c^{\prime }}[-log{D}_{cls}(c^{\prime }|x)]，用于优化D的真实图像的域分类损失$
$L_{cls}^f=E_{x,c}[-log{D}_{cls}(c|G(x,c))]，用于优化G的假图像的域分类损失$

Reconstruction Loss
$L_{rec}=E_{x,c,c\prime }[||x-G(G(x,c),c\prime )|{|}_1]$
使转换后的图像保留其输入图像的内容，只更改输入的域相关部分

完整的目标函数（Full Objective）
$L_D=-L_{adv}+{\lambda }_{cls}{L}_{cls}^r$
$L_G=L_{adv}+{\lambda }_{cls}{L}_{cls}^f+{\lambda }_{rec}{L}_{rec}$