cyclegan:unpaired image-to-image translation using cycle-consistent adversarial network
CycleGAN论文的阅读与翻译,无监督风格迁移 - 知乎2018-10-10 初版,论文不短,请自行选择重要的部分阅读 2018-11-02 与评论区的讨论 2018-11-25 语法错误小修改 2019-08-14 评论区回复,无监督风格迁移的其他进展 2019-08-26 按评论区的建议对论文的翻译进行修改 …https://zhuanlan.zhihu.com/p/45394148cyclegan的核心在unpaired image,如果是pair数据的话,直接用pix2pix即可,但是非成对数据用cyclegan,cyclegan和biggan一样,文章比较好懂。cyclegan的核心在从X到Y,两个域之间的迁移的映射空间是很大的,作者对映射空间用cycle consistent loss做了约束,直观就是对X通过G生成的Y的分布再通过F转回来,用l1 loss进行监督,Y侧的损失也一样,通常cyclegan有四个损失,两个gan的,两个cycle loss。
1.abstract:
提出了一种在没有配对示例的情况下学习将图像从源域X到目标域Y的方法,学习一种映射G:X->Y,来自G(x)的图像分布与分布Y没有区别,因为映射是highly under-constrained,用一个拟映射F:Y->X,并且引入了cycle consistency loss强制F(G(X))==Y。
2.Introduction
我们寻求一种无需配对输入输出示例即可学习域之间进行转换的算法,我们假设域之间存在一些潜在的关系,例如它们是在同一场景下两种不同的渲染,我们试图学习这种关系。理论上,G(x)学到的y的分布是要匹配先验分布Y的,通常这要求G是随机的,然而,这样的转换并不能保证单个输入x和输出以有意义的方式配对,有无限多的映射G将在y上产生相同的分布,因此会产生模式崩溃。这里x从传统Gan的角度出发是相同的分布,从pix2pix的角度出发是成对数据的不同分布。
我们提出了cycle consistent,如果将一个句子从英语翻译成法语,应该也可以从法语返回英语,从数学上,G和F应该互逆,并且两个映射都应该是双射。同时训练G和F,并添加cycle consistency loss确保F(G(x))=x和G(F(y))=y。将这种损失和对框损失相结合,就可以实现未配对图像到图像转换的目标。
2.related work
Gans、image-to-image translation、unpaired image-to-image translation、cycle consistency、neural style transfer
3.formulation
上面这张图是文本的核心,图a是架构,G和F是双射,除了正常的GAN的生成器和判别器之外,此处X同城生成器变成Y的分布,再通过生成器F将Y映射回X,映射回X的分布和原始的输入x通过cycle consistency loss来保持一致,y域的图也是如此,这里注意输入是不成对的两个域的图,cycle consistency loss也是在原有基础上添加的两个损失,应该理论上讲gan有四个损失函数,判别器和生成器各一个,两个域的cycle loss,有些场景还会多两个id loss。这块还是比较精妙的,按照Gan的思路,从X到Y的迁移,X大多是高斯分布或者均匀分布,生成一个Y的分布,但是cyclegan中是一个潜在关系的学习,因此光从X到Y的学习会促使X直接转成Y而不保留X的性质,因此保留了cycle loss这种学习双射的能力。
3.1 Adversarial loss
3.2 cycle consistence loss
从X到Y的的映射空间要进行约束,通过前后向循环一致性来控制映射空间。
3.3 full objective
这块作者还做了个实验,理论上将其实有个前向循环损失应该就够了,但是仅在一个方向进行循环损失,不足以约束这个空间。
其中在application中还提及的idt loss,我看mm官方中把有id loss和不加id loss都计算上了,id loss,防止input和output之间的color composition过多,避免过多迁移。
4.Implementation
后面是作者的实现细节和实验部分,就不再赘述,主要还是要理解Gan的核心思想。
cyclegan:unpaired image-to-image translation using cycle-consistent adversarial network相关推荐
- 论文笔记:CycleMorph: Cycle Consistent UnsupervisedDeformable Image Registration
CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration 针对本篇论文个人总结: 文章最重要的点在于施加循环一致性 ...
- 【论文学习】UPHDR-GAN: Generative Adversarial Network forHigh Dynamic Range Imaging with Unpaired Data
UPHDR-GAN:基于非配对数据的高动态范围成像生成对抗网络 摘要 introduction 主要贡献 proposed method 网络框图 网络详介 1.输入 2.生成器输出 3.生成器 4. ...
- 【万物皆可 GAN】CycleGAN 原理详解
[万物皆可 GAN]CycleGAN 原理详解 概述 CycleGAN 可以做什么 图片转换 图片修复 换脸 CycleGAN 网络结构 CycleGAN 损失函数 概述 CycleGAN (Cycl ...
- Cycle GAN(复现)---笔记
因为目前的课题了解到了Cycle GAN,所以最近去学习了相关的一些知识. 目前网上绝大多数的代码都是https://github.com/junyanz/pytorch-CycleGAN-and-p ...
- 【论文学习笔记】《An Overview of Voice Conversion and Its Challenges》
<An Overview of Voice Conversion and Its Challenges: From Statistical Modeling to Deep Learning&g ...
- 【今日CV 计算机视觉论文速览 第115期】Fri, 10 May 2019
今日CS.CV 计算机视觉论文速览 Fri, 10 May 2019 Totally 57 papers ?上期速览✈更多精彩请移步主页 Interesting: ?****手持设备多帧超分辨, 手机 ...
- python语言的优缺点论文_GAN 论文大汇总
作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 简书地址:https://www.jianshu.com/p/b7f... 关于生成对抗网络(GAN)的 ...
- rgb 光谱 转换_使用深度学习将RGB图像转换为高光谱
rgb 光谱 转换 Finding an applicable cost-effective way to convert and use hyperspectral images. 寻找一种适用的具 ...
- CVPR2019领域自适应/语义分割:Adapting Structural Information across Domains for Boosting Sema适应结构信息跨领域促进语义分割
CVPR2019 All about Structure: Adapting Structural Information across Domains for Boosting Semantic S ...
最新文章
- Netscaler 认证,访问报http 5000 内部错误
- wxPython:Python首选的GUI库 | CSDN博文精选
- tensorflow笔记:流程,概念和简单代码注释
- robot framework环境搭建
- 不要轻易和少妇上床:金融危机是这…
- android 冰箱 活动,Android活动的使用
- shocked的歌曲 类似shell_Shell Shocked歌词
- [css] 移动页面底部工具条有3个图标,如何平分?在设置边框后最后一个图标掉下去了怎么办?
- Python try/except/finally等
- java 正则比大小_Java:正则表达式模式匹配器是否有大小限制? - java
- 如何自定义一个注解(@Annotation)
- OpenBSD 清理 OpenSSL 代码 一周递交数百补丁
- oracle存储过程菜鸟教程,SQL 简介
- MDM数据清洗功能开发说明
- 微信 获取signature签名
- Uber数据泄露事件本可以使用区块链…
- 互联网金融概念股龙头有哪些
- flutter学习笔记--传递信息
- Windows Server 2016 文件共享
- Drools KIE API
热门文章
- 当元气森林卖咖啡,能否再造一个爆款?
- 云锁 php一句话,关于php一句话免杀的分析转载
- java派生类属例子_辨析之派生类属和相关类属
- 计算机美国硕士,美国计算机硕士项目申请难度大PK
- “凝心聚力,携手共进”辰视智能2021第一期登山公益活动顺利举行
- 小学生数学测试软件编写分析,小学数学测试的质量分析
- 消息中间件原理及JMS简介之一
- PTA习题-python 7-1 互质数
- python ipo模式包括什么_什么是IPO?
- %3c韩非子%3e语言研究pdf,韩非子王先慎.pdf