CycleGAN的原理及Pytorch实现

follow this video: https://www.youtube.com/watch?v=4LktBHGCNfw

paper: https://arxiv.org/pdf/1703.10593.pdf

 

只讲我关注到的，与Pix2Pix的区别之处

区别一：不需要成对匹配的数据

CycleGAN是两个集合的转换，不需要建立元素的一一映射

  

区别二：增加了cycle-consistency loss

 

 

 

 

 每种loss代表什么实际含义呢？

 

 GAN alone 和 GAN+forward 遭受了模式奔溃， 不管输入什么图片，产生相同的输出。

区别三：增加了identity loss

Lidentity有助于保持和输入图片一样的颜色，没有Lidentity时，生成器G和F会改变输入图片的色调当它们不需要时，例如把早上的图片映射成傍晚的图片，因为这同样满足adversarial loss和cycle consistency loss.

 

区别四：生成器有residual Blocks

生成器采用残差模块，虽然据说像Pix2Pix一样使用U-Net效果也不错；

识别器还是用PatchGAN，不过论文里输出是70 x 70，我实现上还是用 30 x 30；

 

 

 完整代码：https://github.com/growvv/GAN-Pytorch/tree/main/CycleGAN