starGAN是YunjeyChoi等人于17年11月提出的一个模型。该模型可以实现图像的多域间的迁移（作者在论文中具体应用于人脸属性的转换）。

上一篇已经介绍好如何在windows环境下配置GPU版本的Tensorflow的环境，本篇来尝试在Windows环境尝试跑一跑tensorflow版本的StarGAN。

starGAN是YunjeyChoi等人于17年11月提出的一个模型[1]。

pytorch原版github地址：https://github.com/yunjey/StarGANtensorflow版github地址：https://github.com/taki0112/StarGAN-Tensorflow

前言介绍这两篇论文之前先说点新手感悟，本来觉得梳理论文的博客就是把论文的关键要点收纳一下，但当我回顾之前写的博客时，发现有很多遗漏之处，这也反映出了自己看论文时思考得不全面，之前看论文只关注别人的模型是如何搭建的，自以为是地忽略课题发展的来龙去脉，这对于小白寻找创新是不利的。为了让学习更加呈体系，以后的梳理工作我会尽可能把相似的思想进行对比介绍，尽可能输出一些自己的思考，而不是单纯地搬运翻译。在以

在stargan-vc模型中，有比较经典的（卷积&反卷积）组合，综合参考了github上的implement代码https://github.com/hujinsen/StarGAN-Voice-Conversion

StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation简述：现有的方法在两个以上的领域中具有有限的可扩展性和鲁棒性

他喵的21积分，真的贵啊：直接分享给大家：链接:https://pan.baidu.com/s/1GBzQlRDyw3wxgxaDyMsNWA提取码:wtnaStarGAN官方Pytorch实现中下载就是介个数据集其官方代码中下载数据集的地址是(需要墙)：https://www.dropbox.com/s/d1kjpkqklf0uw77/celeba.zip?dl=0有的老铁想要完整版celebA

StarGANv2:DiverseImageSynthesisforMultipleDomains不同图像多领域合成阅读理解目前该论文已经有TensorFlow算法实现，目前本人在准备用我们可爱的PaddlePaddle【飞桨】来实现，他的功用效果如下图，拟计划用来搞个好玩的东西。论文信息StarGANv2:DiverseImageSynthesisforMultipleDomainsYunjey

StarGAN多领域图

我们进行多数据集训练时，引入了掩码向量maskvector，我们引入一个掩码向量m，允许StarGAN忽略未知的标签。

参考文献StarGANv2:DiverseImageSynthesisforMultipleDomains近日，百度推出了复现营活动，选了GAN方向和视频分类方向的共九篇论文带领入营的学员们用百度自研的PadddlePaddle框架进行复现，复现的好的还有奖学金，高达2w软妹币。我认为这是个学习的好机会，要复现论文必然要先精读论文，不仅要观其大略还要死扣细节，而魔鬼都藏在细节中。常听有人感叹，看了

【飞桨】【论文复现】StarGANv2学习笔记StarGANv2github：https://github.com/clovaai/stargan-v2Paper:https://arxiv.org/abs

一、前言论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340这篇博客主要是对飞桨PaddlePaddle论文复现课程中GAN论文的解析.二、论文解读论文的任务是多域图像转换（MultipleDomainImage-to-Imagetranslation）涉及到2个关键概念：Domain：一组可以分为视觉上独特类

论文题目StarGANv2:DiverseImageSynthesisforMultipleDomains对于多个领域的多样化图像合成（YunjeyChoiYoungjungUhJaejunYooJung-WooHaClovaAIResearch,NAVERCorp.EPFL）论文任务多领域间的多样化图像转换（img2imgtranlation）生成图像多样化多个领域上具有可扩展性什么是domai

最近参加百度飞浆的论文复现课程，课程免费，有一定挑战性。论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340复现课程涉及到GAN生成和视频分类两个方向的9篇论文，老师大致综述和领读相关论文后，学员需要选择一篇来精读并用PaddlePaddle进行复现。不是直接从论文出发开始复现哈，而是基于论文并结合Pytorc

sharpimages）上的成功，GAN在图像翻译任务上的方法越来越多，pix2pix，CycleGAN，UNIT，DTN，FaderNets，DistanceGAN，GeneGAN，pix2pixHD，StarGAN

theaddressofpaperStarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation这篇论文是CVPR2018的一篇文章，其论文的研究方向是GAN网络的图像多域迁移转换。论文地址：https://arxiv.org/pdf/1711.09020.pdf代码地址：https://gi

在starGAN-VC中的代码更换librosa包后，出现的bugNomodul

1.TheaddressofpaperSTARGAN-VC:NON-PARALLELMANY-TO-MANYVOICECONVERSIONWITHSTARGENERATIVEADVERSARIALNETWORKS论文地址：https://arxiv.org/pdf/1806.02169.pdf2.TheintroductionstarGAN-VC是将一篇语音方向的论文，在上一篇论文中我们介绍了st

StarGAN-VC是利用StarGAN的图像到图像翻译原理，来实现“多对多”的非平行数据集下的语音音色转换，其实质是对语音的梅尔能量进行转换。

GAN：值函数（评价函数，非损失函数）：x表示真实图片，z表示输入噪声，x~Pdata(x)与x~Pz(z)表示满足各自的分布律。理想状态下，D（G（Z））=0.5更新方式：交替训练G（Generator）和D(Discriminator),D加梯度，G减梯度简单讲一下上面两个公式，m指样本个数，从评价函数出发：第一个公式，更新的是D的w（）第二个公式，更新的是G的w（）CGAN条件对抗生成网络：

目录GANCGANpix2pixCycleGANpix2pixHDStarGANPaddlePaddle:百度顶会论文复现营.GANGAN，即生成对抗网络，其网络结构主要包含一个生成器G和一个判别器D。首先，一个n维噪声输入到模型中，由生成器生成一个fake图像（根据目标而定），接着传入真实图像，resize成与fake图像相同大小，共同输入到判别器D中，送入训练网络中，训练趋势是使生成器生成越来

StarGANv2文章目录StarGANv2摘要一.介绍二.StarGANv21.网络结构2.loss设置三.实验结果展示四.总结Reference摘要优秀的图像-图像转换模型需要学习不同视觉域之间的映射，要同时满足以下属性：1）生成图像的多样性和2）在多个域上的可扩展性。因此提出了star-GANv2和动物数据集AFHQ一.介绍域：可以分组为视觉上独特的类别的不同组图片风格：每组图片中的每张图片

本文为AI研习社编译的技术博客，原标题：StarGAN — Image-to-ImageTranslation作者|PranoyRadhakrishnan翻译|tobepellucid校对|Pita审核

Anatomically-awareFacialAnimationfromaSingleImagepapermotivation近期生成对抗网络（GAN）在人脸表情合成任务中取得了惊人的表现，其中最成功的架构是StarGAN

cycleGAN源文：https://arxiv.org/abs/1703.10593cycleGAN笔者实践代码：https://github.com/leehomyc/cyclegan-1--------------------------------------------------------------------------------------------------------

近日，来自韩国首尔大学、Naver等研究者发布了一篇“StarGAN：UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation

【人脸属性迁移】StarGANv2:DiverseImageSynthesisforMultipleDomainsStarGANv2文献全称：StarGANv2:DiverseImageSynthesisforMultipleDomains文献出处：[J].arXiv:ComputerVisionandPatternRecognition,2019数据集：CelebA-HQ、AFHQ评价标准：FI

StarGAN论文：《StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation》CycleGAN

本文所介绍的StarGAN就是将多领域转换用统一框架实现的算法。下图是StarGAN的效果，在

StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation2018年的cvpr论文地址：http

ACGAN（GAN+半监督学习）InfoGAN（GAN+无监督性学习）5.StackGAN（文本到高质量图片）6.iGAN（图像到图像）Pix2Pix（匹配数据图像转换）CycleGAN（非匹配数据转换）StarGAN

目前有很多效果不错的GAN可以做人脸translation，下面三个（StarGAN有点老，大概一年前吧）很有意思，值得借鉴。

StarGAN:yunjey/StarGANStarGAN将一个数据集上面学习到的知识转移到另一个数据集上面

新智元报道来源：arxiv猫变狗、狗变虎、虎变豹，男人变女人，无缝切换是个什么神奇体验？最近，一家名为ClovaResearch的机构的研究团队就像让用户体验一把这种神奇，他们提出的StarGANv2图像转换模型能够实现这一点。StarGANv2：青出于蓝同时解决多样性和扩展性优秀的图像-图像转换模型需要学习不同视觉域之间的映射，要同时满足以下属性：1）生成图像的多样性和2）在多个域上的可扩展性。

前言StarGANv2:DiverseImageSynthesisforMultipleDomains（多域多样性图像合成）https://github.com/clovaai/stargan-v2https

模型整体在StarGAN[1]的基础上解决了图像翻译任务中源域的图像转换为目标域的多种图像，并支持多个目标域的问题，实现了较好的源域图像到目标域图像的转换，值得一说的是文章还公布了一个动物面部图像数

arXiv:ComputerVisionandPatternRecognition,2019数据集：CelebA-HQ、AFHQ评价标准：FID、LPIPS、AMTUserStudy论文贡献（亮点）跳出了starGAN

如果你是一个对GAN长期关注的同学，那么一定还记得StarGAN，它是韩国高丽大学和ClovaAI研

目录网络改进具体结构GeneratorDiscriminatorStyleEncoderMappingnetwork损失函数AdversarialobjectiveStylereconstructionStylediversificationCycleconsistencylossFullobjective训练过程训练鉴别器训练生成器评价指标FIDLPIPS实验代码笔记我的思考网络改进StarGA

简介  Stargan:Unifiedgenerativeadversarialnetworksformulti-domainimage-to-imagetranslation.CVPR-2018,Cited

论文地址：https://arxiv.org/abs/1711.09020代码地址（Pytorch）：https://github.com/yunjey/StarGAN-----------------

2018TitleConfCodeStarsVideo-to-VideoSynthesisNIPScode5578DeepImagePriorCVPRcode3736StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslationCVPRcode3405Joint3DFaceReconstruc

1.StarGAN的简介Pix2pix解决了两个领域之间匹配数据集之间的转换，然而在很多情况下匹配数据集很难获得，于是出现了CycleGAN。

一．研究动机近年来关于图像翻译的研究越来越多，其中比较经典的有监督模型包括Pix2Pix,BicycleGAN等，无监督模型包括CycleGAN,MUNIT,StarGAN,DRIT等。

一．研究动机近年来关于图像翻译的研究越来越多，其中比较经典的有监督模型包括Pix2Pix,BicycleGAN等，无监督模型包括CycleGAN,MUNIT,StarGAN,DRIT等。

目录1、普通gan2、cyclegan3、ptgan4、starganptgan模型代码地址看着一篇：https://blog.csdn.net/aaa958099161/article/details/939935501、普通gan2、cyclegan两个生成模型，两个个判别器注意：两个生成模型，两个个判别器两个判别器，其中一个判别器只能判别斑马，另外一个只能判别普通马判别器模型很简单，生成器损

1GAN介绍GAN，叫做生成对抗网络(GenerativeAdversarialNetwork)。其基本原理是生成器网络G(Generator)和判别器网络D(Discriminator)相互博弈。生成器网络G的主要作用是生成图片，在输入一个随机编码(randomcode)z后，自动的生成假样本G(z)。判别器网络D的主要作用是判断输入是否为真实样本并提供反馈机制，真样本则输出1，反之为0。在两个

StarGAN——生成你的明星脸1GAN介绍GAN，叫做生成对抗网络(GenerativeAdversarialNetwork)。