初学者之路—————Cycle GAN

Cycle  GAN主要是用于非成对图像转换，简而言之，就是不需要成对具有对应关系的图像进行风格转换，而只需要非成对的目标图像和原始图像即可。

Cycle GAN相比于普通GAN多了一个生成模型和判别器，即把变换后的图像再进行反变换后与原始图像比较。这种双生成模型和双判别器可以保证生成的目标图像和原始图像不仅在风格上一致，在图形的形状和大小上也能尽量保持一致。Cycle GAN的对抗性体现在生成器希望能够生成使判别器判别为真的虚假图像，而判别器希望能够正确判别出真实图像和生成图像。

相对应的，此时的损失函数（叫做循环一致性损失部分）也变成反变换的图像与原始图像之间的差异。Cycle GAN还有一个identify的损失函数，这个损失函数存在的意义在于希望输入的目标风格图像在经过生成模型后不再发生变化，即希望生成模型能够识别目标图像风格。

Cycle GAN降低了对风格转换图像的数据要求，使得转换图像风格变得简单。相信它也会有更多的领域，希望自己也能够运用到。

研究生寒假初学，如果有不足，欢迎大家指证。