在碎片化閱讀充斥眼球的時代，越來越少的人會去關(guān)注每篇論文背后的探索和思考。

在這個欄目里，你會快速 get 每篇精選論文的亮點和痛點，時刻緊跟 AI 前沿成果。

點擊本文底部的「閱讀原文」即刻加入社區(qū)，查看更多最新論文推薦。

這是 PaperDaily 的第?51?篇文章

本期推薦的論文筆記來自 PaperWeekly 社區(qū)用戶 @LUOHAO。本文提出的模型名為 CycleGAN，作者希望在不借助 paired example 情況下，來實現(xiàn)圖片的風(fēng)格轉(zhuǎn)換。

如果你對本文工作感興趣，點擊底部的閱讀原文即可查看原論文。

關(guān)于作者：羅浩，浙江大學(xué)博士研究生，研究方向為計算機視覺和深度學(xué)習(xí)，現(xiàn)為曠視科技（Face++）的 research intern。

■?論文 | Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

■ 鏈接 | https://www.paperweekly.site/papers/807

■ 源碼 | https://junyanz.github.io/CycleGAN/

前言

CycleGAN 是發(fā)表于 ICCV17 的一篇 GAN 工作，可以讓兩個 domain 的圖片互相轉(zhuǎn)化。傳統(tǒng)的 GAN 是單向生成，而 CycleGAN 是互相生成，網(wǎng)絡(luò)是個環(huán)形，所以命名為 Cycle。

并且 CycleGAN 一個非常實用的地方就是輸入的兩張圖片可以是任意的兩張圖片，也就是 unpaired。

單向GAN

讀者可以按照原論文的順序理解 CycleGAN，這里我按照自己的思路解讀。CycleGAN 本質(zhì)上是兩個鏡像對稱的 GAN，構(gòu)成了一個環(huán)形網(wǎng)絡(luò)。其實只要理解了一半的單向 GAN 就等于理解了整個CycleGAN。

上圖是一個單向 GAN 的示意圖。我們希望能夠把 domain A 的圖片（命名為 a）轉(zhuǎn)化為 domain B 的圖片（命名為圖片 b）。

為了實現(xiàn)這個過程，我們需要兩個生成器 G_AB 和 G_BA，分別把 domain A 和 domain B 的圖片進(jìn)行互相轉(zhuǎn)換。

圖片 A 經(jīng)過生成器 G_AB?表示為 Fake Image in domain B，用?G_AB(a) 表示。而?G_AB(a) 經(jīng)過生辰器 G_BA?表示為圖片 A 的重建圖片，用?G_BA(G_AB(a)) 表示。

最后為了訓(xùn)練這個單向 GAN 需要兩個 loss，分別是生成器的重建 loss 和判別器的判別 loss。

判別 loss：判別器 D_B 是用來判斷輸入的圖片是否是真實的 domain B 圖片，于是生成的假圖片 G_AB(A) 和原始的真圖片 B 都會輸入到判別器里面，公示挺好理解的，就是一個 0,1 二分類的損失。最后的 loss 表示為：

生成 loss：生成器用來重建圖片 a，目的是希望生成的圖片?G_BA(G_AB(a)) 和原圖 a 盡可能的相似，那么可以很簡單的采取 L1 loss 或者 L2 loss。最后生成 loss 就表示為：

以上就是 A→B 單向 GAN 的原理。

CycleGAN

CycleGAN 其實就是一個 A→B 單向 GAN 加上一個 B→A 單向 GAN。兩個 GAN 共享兩個生成器，然后各自帶一個判別器，所以加起來總共有兩個判別器和兩個生成器。一個單向 GAN 有兩個 loss，而 CycleGAN 加起來總共有四個 loss。

CycleGAN 論文的原版原理圖和公式如下，其實理解了單向 GAN 那么 CycleGAN 已經(jīng)很好理解。?

X→Y 的判別器損失為，字母換了一下，和上面的單向 GAN 是一樣的：

同理，Y→X 的判別器損失為：

而兩個生成器的 loss 加起來表示為：

最終網(wǎng)絡(luò)的所有損失加起來為：

論文里面提到判別器如果是對數(shù)損失訓(xùn)練不是很穩(wěn)定，所以改成的均方誤差損失，如下：

下面放一張網(wǎng)友們自制的 CycleGAN 示意圖，比論文原版的更加直觀。

效果展示

CycleGAN 的效果還是不錯的，論文里給出了很多結(jié)果圖，可以欣賞一下。

本文由 AI 學(xué)術(shù)社區(qū) PaperWeekly 精選推薦，社區(qū)目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學(xué)習(xí)、數(shù)據(jù)挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區(qū)！

點擊以下標(biāo)題查看相關(guān)內(nèi)容：?

• GAN做圖像翻譯的一點總結(jié)

• GAN眼中的圖像翻譯（附神奇歌單）

• PTGAN：針對行人重識別的生成對抗網(wǎng)絡(luò)
  

#榜 單 公 布?#

2017年度最值得讀的AI論文 | NLP篇 · 評選結(jié)果公布

2017年度最值得讀的AI論文 | CV篇 · 評選結(jié)果公布

??我是彩蛋?

解鎖新功能：熱門職位推薦！

PaperWeekly小程序升級啦

今日arXiv√猜你喜歡√熱門職位√

找全職找實習(xí)都不是問題

?

?解鎖方式?

1. 識別下方二維碼打開小程序

2. 用PaperWeekly社區(qū)賬號進(jìn)行登陸

3. 登陸后即可解鎖所有功能

?職位發(fā)布?

請?zhí)砑有≈治⑿?#xff08;pwbot01）進(jìn)行咨詢

?

長按識別二維碼，使用小程序

*點擊閱讀原文即可注冊

? ? ? ? ???

? ? ? ? ???

關(guān)于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學(xué)術(shù)平臺。如果你研究或從事 AI 領(lǐng)域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 查看原論文

總結(jié)

以上是生活随笔為你收集整理的CycleGAN：图片风格，想换就换 | ICCV 2017论文解读的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。