美文网首页
[论文笔记]CycleGAN：Unpaired Image-to

[论文笔记]CycleGAN：Unpaired Image-to

作者: 祁晏晏 | 来源:发表于2020-05-07 18:25 被阅读0次

论文：
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

GitHub：
CycleGAN

讲解：
https://blog.csdn.net/qq_21190081/article/details/78807931 这篇讲的挺清楚的

一图看懂

image.png

优势

domain A和domain B的图片可以互相转化，输入的图片可以是unpaired

网络结构

CycleGAN本质上是两个生成器（Generator A2B和Generator B2A），两个判别器（D_A和D_B）。

生成器采用U-Net，判别器采用LS-GAN。

损失函数

image.png

对于半个CycleGAN来说，loss由判别loss和生成loss组成。

  • 判别loss（D_B）

    判断输入是否是真实的domain B图像

    L_{GAN}(G_{AB},D_B,A,B)=\mathbb{E}*{b\sim B}[\log{D_B(b)}]+\mathbb{E}*{a\sim A}[\log{(1-D_B(G_{AB}(a)))}]

  • 生成loss

    重建的A图像和真实输入的A图像之间的差距，选择了L1 loss

    L(G_{AB},G_{BA},A,B) = \mathbb{E}*{a \sim A}[||G*{BA}(G_{AB}(a))-a||_1]

由半个推整个，整个网络的loss也是由判别loss和生成loss组成。

  • domain-X的判别loss

    L_{GAN}(F,D_X,Y,X)=\mathbb{E}*{x\sim p*{data}(x)}[\log{D_X(x)}]+\mathbb{E}*{y\sim p*{data}(y)}[\log{(1-D_X(F(y)))}]

  • domain-Y的判别loss

    L_{GAN}(G,D_Y,X,Y)=\mathbb{E}*{y\sim p*{data}(y)}[\log{D_Y(y)}]+\mathbb{E}*{x\sim p*{data}(x)}[\log{(1-D_Y(G(x)))}]

  • 生成loss

    L_{cyc}(G,F) = \mathbb{E}*{x \sim p*{data}(x)}[||F(G(x))-x||*1]+\mathbb{E}*{y \sim p_{data}(y)}[||G(F(y))-y||_1]

  • 所有损失

    L(G,F,D_X,D_Y)=L_{GAN}(G,D_Y,X,Y)+L_{GAN}(F,D_X,Y,X)+L_{cyc}(G,F)

整个看下来还是挺好理解的，简单，但效果惊人。

相关文章

网友评论

      本文标题：[论文笔记]CycleGAN：Unpaired Image-to

      本文链接：https://www.haomeiwen.com/subject/pgifbctx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      关于我们|服务条款|联系我们|[论文笔记]CycleGAN：Unpaired Image-to|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！