第1章 什么是CycleGan网络的图像转换
1.1 项目在github上的源代码
GitHub - junyanz/pytorch-CycleGAN-and-pix2pix: Image-to-Image Translation in PyTorch
1.2 图像转换实例
（1）环境的轮廓不变，更换颜色，风格 (秋天 - 夏天）
（2）马的轮廓不变，纹理替换。
（3）风景图片的轮廓不变，更换风格（冬天<--->夏天）
共性：保持一张图片的轮廓，更换其风格，得到另一张新的图片。
而风格来自于一组图片的共同特征，即为一组图片的风格。
1.3 图像转换的总体共性
（1）风格学习：网络能够学习风格图片的共同特征，即风格。
如所有冬天的图片的共同特征是“冬天”：
如果斑马图片的共同特征是斑马：
（2）待转换图片
可以是一张，也可以是多张，但他们是相互独立的，网络不需要学习待转换图片的公共特征。
只需要提取待转换图片的各自的特征：即每一张图片实际的轮廓。
实际上，不同的图片，其轮廓外形是不同的。
（3）输出图片：
既包含待转换图片的特征（轮廓），也包括风格图片组的公共特征（风格）
（4）输入风格图片和待转换图片的关系
严格意义上讲CycleGan图像转换，不需要输入图片与待转换图片之间有什么关联，他们是相互独立的。即不要求输入图片与待转换图片在形状上、在背景上有什么必须相似的地方。即不要求他们之间有某种相似性。
（5）输入风格图片和输出图片的关系
CycleGan图像转换，不要求输入风格图片与输出图片在轮廓上有什么相似性。
输出图片与风格转换图片可以是完全不相同的两类事物。即不要求上述配对关系。
即可以把风格图片的风格，叠加到任意的图片上！！！！，形成新的输出图片。
（6）待转换图片和输出图片的关系
他们之间是有轮廓上相似性，因为输出图片，是对待转换图片的转换。
如果输出图片不包含待转换图片的轮廓，那么转换后的图片，体现不出待转换图片，这种转换没有太大的意义。
第2章 CycleGan图像转换的基本原理
2.1 CycleGan网络的目标
普通的GAN确保输出的图像与真实图像具备尽可能的相似度，这就导致，网络的训练目的是输出预真实图片B具备相识性，与真实图片A没有关系。即输出图片，与真实图片不具备相似性。
很显然，这不符合我们的目标，任意的输出，应用场景及其有限。
CycleGan网络的目标是：
输出图片受输入图片所控，与输入图片之间要有“形似”的关系，而不是天马行空的输出。
输出图片，在某些特征上与输入图片A相似，这个相似性称为“形似”
输出图片，在某些特征上与真实图片B相似，这个相似性称为“神似”
2.2 CycleGAN名称的由来
对输出与输入图片的相似性检查，是确保输出的图片与输入图片有明确的对应关系的重要手段。
现在的问题来了：如何检查输出与输入图片的相似性呢？
（1）pix2pix的做法
pix2pix是直接通过像素到像素进行检查的完成的，因此pix2pix的输出与输入是显性的、表象的、强关联关系，属于“形似”。
（2）CycleGAN的做法
CycleGAN通过增加还原网络，首先把输出图片重新还原成输入图片，然后对输入图片与还原后的图片进行像素到像素的检查，确保输出图片与输入图片的相似性。这个还原的过程就是形成了一个闭环，这 就是“CycleGAN”的由来。
虽然，还远后的图片与输入图片，具备像素到像素的显性的、表象的、强关联关系，属于“形似”。
但输出图片与输入图片以及还原后的图片并非这种“形似”，而是内在特征的关系。
因此，CycleGAN的输出图片与输入图片之间是隐性、内在的、语义关系。
CycleGAN同时具备如下特征：
-
- 具备GAN网络自由创作的优点
- 具备pix2pix网络，输入对输出进行控制的优点
- 克服pix2pix网络，输出与输入只是“形似”的缺点与不足。
- 具备了输出与输入具备内在特征的相似，得到了“神似”的效果。
2.3 CycleGan网络的基本架构
（1）相对于GAN网络，CycleGan增加了一个还原网络。
通过对还原图片与原始图片的比较，可以确保生成图片的准确性以及与输入图片的关联性。
（2）相对于GAN网络，CycleGan增加了双向转换
为了确保生成网络和还原网络的准确性，CycleGan增加了双向转换，
即一方面：网络源真实图片-》生成图片-》源真实图片的转换，主要验证创作的准确性。
另一方面：目标真实图片-》生成图片-》目标真实图片的转换，主要验证还原的准确性。
2.4 CycleGan网络的基本工作过程
（1） CycleGan的做法
-
- 用真实图片B对输出图片进行判决，判决生成图片是否符合真实图片的特征。
- 用输入图片A自身对输出图片的反向还原的图片进行判决（loss最小），确保生成图片与源图片具备相似性。
- 这种方法，可以通过还原的方式，保证输出图片与真实图片B和真实图片A两者的loss都非常小。
- 这种方式的结果是：输出图片与真实图片B主要特征与核心特征上相似，只有部分特征与真实图片A相似。与真实图片的全部相似性是通过还原实现的。这种方式的输出图片是由倾向性的：主体特征与输入图片B相似，部分特征来源于真实图片A.
- 这种方法的关键是反向还原。
（2） 使用两个判决网络？
-
- 用输入图片A自身对输出图片进行判决
- 用输入图片B对输出图片进行判决
- 这种方法使得输出图片同时与输入图片A和B相似。
2.5 CycleGan网络的训练 - 生成网络的训练
（1）生成网络G-A2B和生成网络G-B2A的结构是完全一致的，不同的是一个输入是源真实图片集，一个是目标真实图片集。
（2）G-A2B和G-B2A是一起训练的，其loss函数是整合在一起的。
（3）在训练G-A2B和G-B2A时，需要锁定判决网络D-A2B和D-B2A
（4）最终的loss函数包含4部分
-
- G-A2B：判断网络对生成图片的判决结果（G网络的目标是骗过判决网络D-A2B）与1之间的MSE loss。
- G-A2B：生成图片与还原图片之间的L1 loss（平均绝对误差（MAE））
- G-B2A：判断网络对生成图片的判决结果（G网络的目标是骗过判决网络D-B2A）与1之间MSE loss。
- G-B2A：生成图片与还原图片之间的L1 loss（平均绝对误差（MAE））
2.6 CycleGan网络的训练 - 判决网络的训练
（1）判决网络D-A2B和生成网络D-B2A的结构是完全一致的，不同的是一个输入是源真实图片集，一个是目标真实图片集。
（2）D-A2B和G-B2A是独立训练的，他们有各自独立的loss函数
-
- 判决网络对生成图片的判决结果与“0” 之间的距离， 即判为“假”
- 判决网络对真实图片的判决结果与“1” 之间的距离， 即判为“真”