目錄
1、普通gan
2、cyclegan
兩個生成模型，兩個個判別器
注意：
兩個生成模型，兩個個判別器
兩個判別器，其中一個判別器只能判別斑馬，另外一個只能判別普通馬
判別器模型很簡單，生成器損失函數如下：
self.g_loss = self.criterionGAN(self.DA_fake, tf.ones_like(self.DA_fake))
+ self.criterionGAN(self.DB_fake, tf.ones_like(self.DB_fake))
+ self.L1_lambda * abs_criterion(self.real_A, self.fake_A_)
+ self.L1_lambda * abs_criterion(self.real_B, self.fake_B_)
效果：
有這種趨勢吧，細心調一下模型會有更好的效果，挺好玩的。作者弄了個界面，上面有很多應用展示：
https://junyanz.github.io/CycleGAN/
3、ptgan
提出了一種針對於行人重識別的生成對抗網絡 PTGAN，使用 GAN 將一個數據集的行人遷移到另外一個數據集。
可以實現不同 ReID 數據集的行人圖片遷移，在保證行人本體前景不變的情況下，將背景轉換成期望的數據集 style。
另外本文還提出一個大型的 ReID 數據集 MSMT17，這個數據集包括多個時間段多個場景，包括室內和室外場景，是一個非常有挑戰的數據集。
MSMT17 數據集有以下幾個特性：
數據採集時長約爲 180 小時
總共有 15 個相機，其中 12 個室外相機，3 個室內相機
行人框由 Faster RCNN 機標完成
最後總共有 4101 個行人的 126441 個 bounding boxes
首先 PTGAN 網絡的損失函數包括兩部分：
首先第一部分是 LStyle，這個就是標準的 CycleGAN 的判別 loss，λ1 是平衡兩個損失的權重。
其中 M(a) 和 M(b) 是兩個分割出來的前景 mask，ID loss 將會約束行人前景在遷移過程中儘可能的保持不變。
self.g_loss = self.criterionGAN(self.DA_fake, tf.ones_like(self.DA_fake))
+ self.criterionGAN(self.DB_fake, tf.ones_like(self.DB_fake))
+ self.L1_lambda * abs_criterion(self.real_A, self.fake_A_)
+ self.L1_lambda * abs_criterion(self.real_B, self.fake_B_)
+ self.L2_lambda * mae_mask_criterion(self.real_A, self.fake_B, self.mask_A)
+ self.L2_lambda * mae_mask_criterion(self.real_B, self.fake_A, self.mask_B)
ptgan生成網絡的損失函數，和cyclegan差別在後面兩項。
4、stargan
提出問題：
StarGAN的引入是爲了解決多領域間的轉換問題的，之前的CycleGAN等只能解決兩個領域之間的轉換，那麼對於含有C個領域轉換而言，需要學習C*(C-1)個模型，但StarGAN僅需要學習一個。
創 新 點：
StarGAN生成器模型加入了一個域的控制信息，
鑑別器不僅僅需要學習鑑別樣本是否真實，還需要對真實圖片判斷來自哪個域
1、將輸入圖片x和目標生成域c結合喂入到生成網絡G來合成fake圖片
2、將fake圖片和真實圖片分別喂入到鑑別器D，D需要判斷圖片是否真實，還需要判斷它來自哪個域
3、與CycleGAN類似，還有一個一致性約束，將生成的fake圖片和原始圖片的域信息c'結合起來喂入到生成器G要求能輸出重建出原始輸入圖片x
效果：
這篇論文也很好玩哦。。。end