比CycleGAN更强的非监督GAN----DistanceGAN

总说

对于非监督domain mapping, 要学习的是数据集A到数据集B的一种映射。即$G_{AB}$可以将A的一个样例映射到B中的一个相似物。人来采用dual learning，提出了训练两个模型，$G_{AB}$和$G_{BA}$。使得$x$（$x$是A的一个样例）经过$G_{AB}$,再经过$G_{BA}$仍旧与$x$尽量相似，当然对于$y$是一个B的样例，也有类似。
这种思想有2017年出了N篇论文。主要有：DiscoGAN[1], DualGAN[1]， CycleGAN[3]等等吧。。
这篇论文的主要贡献：提出一种distance的约束，使得非监督domain mapping可以one sided。我可以只训练一个G_{AB}就够了，不用训练G_{BA}

相关工作

这个总结不错。。。

Adversarial constraints

这个就是最普通的GAN损失。

LGAN(GAB,DB,p^A,p^B)=ExB∼p^B[logDB(xB)]+ExA∼p^A[log(1−DB(GAB(x