在之前的博客中向大家介绍了生成对抗网络GAN的相关概念以及条件GAN，DCGAN相关内容，需要的小伙伴可以点击以下链接了解~生成对抗网络GAN_生成对抗网络流程_春末的南方城市的博客-CSDN博客生成对抗网络Generative Adversarial Networks（GAN）包含生成模型（generative model）和判别模型(discriminative model)两个模型。生成模型的任务是生成和原始数据相似的实例，判别模型的任务是判断给定的实例是真实的还是伪造的。https://blog.csdn.net/xs1997/article/details/130277123?spm=1001.2014.3001.5501

生成对抗网络-Conditional GAN_春末的南方城市的博客-CSDN博客判别器的功能从一个变成两个，一是判断G生成的图片符合真实样本的程度，二是判断输入图片符合给定条件y的程度。输入为两个即潜在变量和控制条件。G的输入为z和y，y为条件，通常为一个数值或者one-hot向量（表示某种类别or。GAN是无监督的，输出是完全随机的，比如在人脸上训练好的网络，最后生成什么样的人脸是完全没办法控制的。在输入的时候加入了条件信息，可以根据条件信息指定生成某。特征），z为潜在向量。https://blog.csdn.net/xs1997/article/details/130278117?spm=1001.2014.3001.5501 这次主要向大家介绍GAN的一些新奇好玩的应用，比如风格迁移，简笔画生成，图像上色等等，一起探究这些应用实现的背后原理是什么以及GAN是如何设计的，ok,接下来进入正题。

GAN内容回顾

GAN

首先简单回顾一下GAN的基本内容，输入噪声z分布到生成器中，然后生成器生成假的样本，假的样本和真实的样本同时输入到判别器中，判别器进行判别输入的图像是真的图像还是伪造的图像，生成器再根据判别器的反馈不断修正生成数据的分布，知道判别器无法判断输入的图像是真还是假，此时，训练过程达到平衡状态。

判别器训练

1.对生成器输入一段噪音，输出一个符合某一分布的假数据(如一组图片的分布);

2.从生成的分布中抽取一些数据，标记为0，从真实样本集中抽取一些数据，标记为1；

3.将数据喂给判别器进行训练，使判别器能够很好的分辨数据的真伪，判别器训练完成。

生成器训练

4.将生成器与判别器进行逻辑连接，生成器产生的假数据全部标记为1喂给判别器；

5.喂给网络的数据产生的误差，通过误差反向传播算法传递给训练器，修正生成器的参数；

6.不断训练判别器和生成器，直到判别器无法分辨假数据和真实数据。

CGAN

Conditional GAN是无监督的，输出是完全随机的，比如在人脸上训练好的网络，最后生成什么样的人脸是完全没办法控制的。CGAN在输入的时候加入了条件信息，可以根据条件信息指定生成某类具体的图像，所以CGAN是有监督的GAN。

输入为两个即潜在变量和控制条件。G的输入为z和y，y为条件，通常为一个数值或者one-hot向量（表示某种类别or特征），z为潜在向量。

判别器的功能从一个变成两个，一是判断G生成的图片符合真实样本的程度，二是判断输入图片符合给定条件y的程度。

DCGAN

原始GAN使用的是多层感知机作为D和G，深度卷积生成对抗网络-DCGAN是将CNN与GAN的一种结合，把GAN的G和D换成了两个CNN，利用CNN的特征提取能力来提高生成网络的学习效果。生成器输入一个向量，经过反卷积尺寸扩张，通道数减少，最后生成一张假图像。判别器D是一个分类器，会逐步将生成的图片压缩成特征向量，通过特征向量进行分类。

生成器网络：

判别器网络：

OK，接下来进入GAN的应用~

GAN的应用

CycleGAN

CycleGAN能做些什么呢，如上图，风景照片转化为莫奈映像派油画，莫奈映像派油画转化为风景照片，斑马转化成野马，野马转化为斑马，夏天转换为冬天，冬天转换为夏天等等这样一些非常好玩的应用都是通过CycleGAN来实现的，那它背后的原理是什么呢，接下来就和大家一起学习。

CycleGAN由两个GAN组成了一个循环结构所以交CycleGAN，此外还包含了两个非常重要的损失函数cycle-consistency loss，因此我们可以简单理解为CycleGAN就是由两个GAN和两个循环一致性损失组成的一个循环结构。X由G生成假的Y’，DY判断图像是真还是假，同样，Y由F生成假的X’，DX判断图像是真还是假。两个GAN相互作用，保证了生成的图像与目标图像域的风格一致。此时，还不能保证生成的内容一致，比如X是输入一个橘子照片，生成了一个莫奈风格的苹果照片，此时DY判别器判别只要是莫奈风格的照片都可能会输出一个比较高的分数。但是它们的内容是不同的，这肯定不是我们期待的。因此，通过cycle-consistency loss，x由G生成的图像y,再通过另一个生成器F生成输入的图像x',如果能确保x和x'的内容尽可能接近，那么就可以保证图像生成的内容也尽可能的类似。通过这样一种方式，使得生成的图像既完成了风格之间的迁移，又保证了生成的内容的相似。

CycleGAN的损失函数同样由两个GAN的损失和两个cycle-consistency loss组成，由于形式是一样的，这里只介绍一个GAN的对抗损失。对抗损失可以保证生成器和判别器相互进化，进而可以保证生成器能产生更真实的图片。

对抗损失：

判别器D的目标是最大化后面这两项，DY(y)表示判别器判断y是真实图像的概率，因此是越大越好，DY(G(x))表示判别器判断G(x)是真实图像的概率，G(x)是生成的假图像，因此概率是越小越好，那么1-DY(G(x))这一项就是越大越好。因此生成器D的目标是最大化后面这两项。

生成器G和真实图像是没有关系的，之和生成图像有关，因此对于后面的第一项是不需要考虑的，生成器的目标是欺骗愚弄判别器，因此，对于生成器来说，DY(G(x))这一项是越大越好，那么1-DY(G(x))就是越小越好。

循环一致性损失：

该损失通过计算生成的图像与输入图像的L1范数，也就是逐元素作差取绝对值再求和，这样保证生成器的输出图像与输入图像只是风格不同，而内容相同。

所以总的目标函数就是由两个GAN的损失和cycle-consistency loss组成。

再来看一些CycleGAN的效果~

Pix2Pix

Pix2pix是基于cGAN实现图像翻译，因为cGAN可以通过添加条件信息来指导图像生成，因此在图像翻译中就可以将输入图像作为条件，学习从输入图像到输出图像之间的映射，从而得到指定的输出图像。而其他基于GAN来做图像翻译的，因为GAN算法的生成器是基于一个随机噪声生成图像，难以控制输出，因此基本上都是通过其他约束条件来指导图像生成，而不是利用cGAN，这是pix2pix和其他基于GAN做图像翻译的差异。

生成器采用U-Net，以图像对的形式输入，这是在图像分割领域应用非常广泛的网络结构，能够充分融合特征；而原本GAN中常用的生成器结构是encoder-decoder类型，采用skip-connection使得提取的特征不仅包含底层的斑块，颜色，边缘轮廓等信息，也包含高层的高级语义纹理信息。

x作为生成器G的输入（随机噪声z在图中并未画出，去掉z不会对生成效果有太大影响，但假如将x和z合并在一起作为G的输入，可以得到更多样的输出）得到生成图像G(x)，然后将G(x)和x基于通道维度合并在一起，最后作为判别器D的输入得到预测概率值，该预测概率值表示输入是否是一对真实图像，概率值越接近1表示判别器D越肯定输入是一对真实图像。另外真实图像y和x也基于通道维度合并在一起，作为判别器D的输入得到概率预测值。

目标函数：