關於作者：羅浩，浙江大學博士研究生，研究方向為計算機視覺和深度學習，現為曠視科技（Face++）的 research intern。

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

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

■ 原始碼 | https://junyanz.github.io/CycleGAN/

前言

CycleGAN 是發表於 ICCV17 的一篇 GAN 工作，可以讓兩個 domain 的圖片互相轉化。傳統的 GAN 是單向生成，而 CycleGAN 是互相生成，網路是個環形，所以命名為 Cycle。

並且 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，這裡我按照自己的思路解讀。CycleGAN 本質上是兩個映象對稱的 GAN，構成了一個環形網路。其實只要理解了一半的單向 GAN 就等於理解了整個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）轉化為 domain B 的圖片（命名為圖片 b）。

為了實現這個過程，我們需要兩個生成器 G_AB 和 G_BA，分別把 domain A 和 domain B 的圖片進行互相轉換。

圖片 A 經過生成器 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。

最後為了訓練這個單向 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，於是生成的假圖片 G_AB(A) 和原始的真圖片 B 都會輸入到判別器裡面，公示挺好理解的，就是一個 0,1 二分類的損失。最後的 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，那麼可以很簡單的採取 L1 loss 或者 L2 loss。最後生成 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，然後各自帶一個判別器，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 那麼 CycleGAN 已經很好理解。 

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：

最終網路的所有損失加起來為：

論文裡面提到判別器如果是對數損失訓練不是很穩定，所以改成的均方誤差損失，如下：

下麵放一張網友們自製的 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，論文裡給出了很多結果圖，可以欣賞一下。

本文由 AI 學術社群 PaperWeekly 精選推薦，社群目前已改寫自然語言處理、計算機視覺、人工智慧、機器學習、資料挖掘和資訊檢索等研究方向，點選「閱讀原文」即刻加入社群！

點選以下標題檢視相關內容： 

• GAN做影象翻譯的一點總結

• GAN眼中的影象翻譯（附神奇歌單）

• PTGAN：針對行人重識別的生成對抗網路

#榜 單 公 布 #

2017年度最值得讀的AI論文 | NLP篇 · 評選結果公佈

2017年度最值得讀的AI論文 | CV篇 · 評選結果公佈

  我是彩蛋