對於客觀評價標準，目前我主要了解可以從以下幾方面入手。
1、轉換質量
轉換質量又可以用轉換程度與轉換的多樣性來衡量。
對於轉換程度評價，可以通過預訓練ResNet [1]，GoogleNet等具有較高分類能力的深層網絡模型，根據目標域標籤對轉換結果進行分類，分類準確率越高也就說明了從源域到目標域的轉換越成功。因爲style translation本身是一個域與域之間的轉換，所以使用分類器對轉換結果分類不失爲一個良好的質量評價標準，但是存在一定侷限性，如無法衡量轉換的程度、會受到數據集的限制等。
考慮到轉換結果不能趨向於單一的風格，可以利用生成樣本的顏色或梯度直方圖來衡量多樣性，如 [2]；也可以利用Inception Scores [3]來衡量生成樣本的多樣性，我對已投論文的結果也進行了測試，結果是符合預期的。
2、不相關區域的保持
在對特定區域（屬性）進行轉換時，我們不希望不相關區域（屬性）也跟着轉換，丟失原來的身份信息。可以使用MS-SSIM [4]來對不相關區域的保持程度（結構、顏色）進行評價。ResidualGAN中使用了ERT [5]算法通過轉換前後特徵點的對比來驗證不相關區域的保持; 總體而言，很難去衡量源域身份特徵、結構特徵是否改變，而且受數據及限制語義相關性又往往不能避免，所以確實沒有一個良好的評價方式，往往是一言堂。
3、轉換速度
因爲style transfer [6]的提出中一張圖片的轉換往往耗時較長，所以轉換的速度成了一個評價標準，但因爲現在基本上的實現思路都是預訓練一個模型，然後再生成圖片，速度上都會比較快，所以我認爲不需要過分關注。
4、視覺效果
style translation涉及到很多視覺上的感受，人與人之間的感受本身也有差距，目前沒有合適的客觀解決方案，也只能藉助於AMT這樣的衆包平臺去進行評估。
[1]Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Deep Residual Learning for Image Recognition.
[2]Dmitry Ulyanov, Vadim Lebedev, Andrea, Victor Lempitsky
Texture Networks: Feed-forward Synthesis of Textures and Stylized Images
[3]Tim Salimans, Ian J. Goodfellow, Wojciech Zaremba, Vicki Cheung, Alec Radford, Xi Chen
Improved Techniques for Training GANs.
[4]Zhou Wang ; A.C. Bovik ; H.R. Sheikh ; E.P. Simoncelli
Image quality assessment: from error visibility to structural similarity
[5]Vahid Kazemi, Josephine Sullivan
One Millisecond Face Alignment with an Ensemble of Regression Trees.
[6]Leon A. Gatys, Alexander S. Ecker, Matthias Bethge
A Neural Algorithm of Artistic Style.
[7]Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks.