超越CycleGAN的非监督GAN----DistanceGAN
发布时间
阅读量：
阅读量
总说
对于非监督domain mapping而言, 其旨在实现数据集A到数据集B之间的映射关系。具体而言, G_{AB}能够将A中的一个实例映射至B中相对应的相似实例。为了实现这一目标,研究者们开发了一种框架,分别设计两个生成器G_AB和G_BA进行协同训练。其中,x（属于A的一个实例）经过两次映射后仍能保持与原来的高度相似性；而对于y（属于B的一个实例）也具有类似的特性。该方法自2017年以来已衍生出多篇相关论文
相关工作
这个总结不错。。。
Adversarial constraints
这个就是最普通的GAN损失。
其中，
\hat{p}_A 和 \hat{p}_B 分别是从 A 数据集和 B 数据集采样得到的离散概率分布。
由于是非监督学习，
还有一个类似的损失函数 L_{GAN}(G_{BA}, D_A, \hat{p}_B, \hat{p}_A)。
实际上总共有四个不同的网络协同工作以实现优化目标。
Circularity constraints
可以说当前非常流行的对偶学习即为此方法。对于A中的某一对象进行转换至B域后，在将其对应于B中的对象返回至A域时，则其大体上应该是相同的。
还没有任何评论哟~