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

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
  
  
• 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
  

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
  
  
• domain-Y的判别loss
  
  
• 生成loss
  
  
• 所有损失
  

整个看下来还是挺好理解的，简单，但效果惊人。