BicycleGAN详解与实现

1

L_1

L1​损失。因此使用 GAN 的鉴别器来学习目标函数，以判断伪造的图像是否真实，并使用 VAE 作为生成器，生成的图像更清晰。如果忽略上图(c)中的图像

A

A

A，那就是 VAE-GAN ，由于以

A

A

A 为条件，其成为条件 cVAE-GAN 。训练步骤如下：

1. VAE 将真实图片

B

B

B 编码为多元高斯分布的潜在编码，然后从它们中采样以创建噪声输入，此流程是标准的VAE工作流程；
2. 使用图像

A

A

A 作为条件及从潜矢量

z

z

z 采样的噪声用于生成伪图像

B

^

\hat B

B^.

训练中的数据流为

B

−

z

−

B

^

B->z->\hat B

B−>z−>B^ ( 图(c) 中的实线箭头)，总的损失函数由三个损失组成：

1. L

G

A

N

V

A

E

\mathcal L_{GAN}^{VAE}

LGANVAE​：对抗损失
2. L