目录
- 0、前言
- 一、CycleGAN介绍及其结构
- 二、函数代码
- 2.0 前提准备
- 2.1 生成器Generator
- 2.2 判别器Discriminator
- 2.3 train函数
- 三、结果演示
- 四、完整代码
0、前言
CycleGAN的英文全称是Cycle GAN，即循环生成对抗网络，论文链接：/abs/1703.10593。
一、CycleGAN介绍及其结构
CycleGAN 是一种无需成对示例便可自动进行图像到图像转换的技术。这些模型是采用一批无需关联的来自源域和目标域的图像，以一种无监督的方式训练的。
CycleGAN提出了一种在没有成对图像的情况下，学习将图像从源域x转换为目标域y的方法。它使用两个镜像对称的GAN，构成了一个环形网络，两个GAN共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器，一个单向GAN两个loss，两个即共四个loss，叫做CycleGAN。给定两个图像集合，这个算法可以进行两个图像集合之间的翻译，如从斑马到马之间的互换、从冬天到夏天之间的互换。
二、函数代码
2.0 前提准备
由于CycleGAN要用到InstanceNormalization，而这个库在keras中是不存在的，因此需要自行安装。
安装方法：
（1）下载keras-contrib
下载地址：/keras-team/keras-contrib
（2）利用cmd进入下载后的文件夹，并输入命令python install进行安装。
（3）把keras_contrib和keras_contrib.egg-info复制到anaconda环境中，放到Lib文件夹下的site-packages中。
ok！完成~
2.1 生成器Generator
生成器的目标是：输入一张图像，转换成自己期望的风格的那张图片。
比如：输入苹果图像，将其转换为橙子。
因此对于CycleGAN而言，它的输入是一张图像，输出也是一张图像。
生成器AB的作用是将物种A转换成物种B，生成器BA的作用是将物种B转换成物种A；
2.2 判别器Discriminator
判别器A的作用是判断输出图像是否为A，判别器B的作用是判断输出图像是否为B；
2.3 train函数
CycleGAN的主要功能如下：
（1） 将物种A图像输入生成器，生成器AB将物种A转换成物种B，判别器B判别B是否为真，根据这个判别结果，对生成器AB和判别器B进行训练，目的是利用生成器AB生成的假图像欺骗判别器B；
（2） 将物种B图像输入生成器，生成器BA将物种B转换成物种A，判别器A判别A是否为真，根据这个判别结果，对生成器BA和判别器A进行训练，目的是利用生成器BA生成的假图像欺骗判别器A；
（3） 将物种A图像输入生成器，生成器AB将物种A转换成物种B，生成器BA再将生成的B还原成物种A，将生成的图像与原图像进行对比，进而训练生成器AB和BA；
（4） 将物种B图像输入生成器，生成器BA将物种B转换成物种A，生成器AB再将生成的A还原成物种B，将生成的图像与原图像进行对比，进而训练生成器AB和BA；
（5） 将物种B图像输入生成器AB，理论上生成器AB不会发生任何改变，将生成图像与原图像进行对比，进而训练生成器AB；
（6） 将物种A图像输入生成器BA，理论上生成器BA不会发生任何改变，将生成图像与原图像进行对比，进而训练生成器BA；
由于CycleGAN的训练数据不是一一配对的，因此还需要给每个像素点用循环的方式贴上标签。
三、结果演示
暂无
四、完整代码
由于代码量较大，需要代码请参考：/download/didi_ya/18148193
参考：
1./p/45394148
2./p/27539515