tgj2094942564的博客

给定两个无序图像集合X和Y，该算法能够自动学习到将一种风格的图像转化为另一种风格的图像，例如将horse转化为zebra，或者将zebra转化为horse。pytorch实现cycleGAN（Horse和Zebra的风格转化）数据可以自行去Kaggle下载Abstract图像对图像的转化过程是一类视觉和图形问题，其目标是学习图像之间的映射输入图像和使用图像的训练集的输出图像对齐的图像。我们看到上述两组图像，左图为一组对其的图像，也就是图像的轮廓细节部分大致相同，而右图就是两种风格完全不同的图.

DCGAN只是在网络结构上做了相应的改进，但是实质上并没有解决gan中的本质缺陷Wasserstein GAN（下面简称WGAN）成功地做到了以下爆炸性的几点：彻底解决GAN训练不稳定的问题，不再需要小心平衡生成器和判别器的训练程度基本解决了collapse mode的问题，确保了生成样本的多样性训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表GAN训练- 得越好，代表生成器产生的图像质量越高该论文的公式较多，本文只做简单的描述即可原始GAN中判别器要最小化如

我们知道gan的过程是对生成分布拟合真实分布的一个过程，理想目标是让判别器无法识别输入数据到底是来源于生成器生成的数据还是真实的数据。当然这是一个博弈的过程并且相互促进的过程，其真实的过程在于首先判别器会先拟合真实数据的分布，然后生成器拟合判别器的分布，从而达到生成器对真实数据分布的拟合。图中蓝色部分为生成器，生成器的功能在于输入一个随机向量经过生成器一系列层的处理输出一个与真实数据尺寸一样的图片。 然后将生成器产生的图片与真实的图片信息一同的输入到判别器中，让判别器去区分该图片信息的源头，如果是判别