圖像到圖像的翻譯是一類視覺和圖形問題，其目標是學習輸入圖像和輸出圖像之間的映射。 它可以應用到廣泛的應用程序中，例如收集樣式轉移，對象變形，季節轉移和照片增強。

CycleGAN

使用周期一致的對抗網絡進行不成對的圖像到圖像翻譯（ICCV 2017）

論文/項目/語義學者

作者提出了一種在沒有配對示例的情況下學習將圖像從源域X轉換為目標域Y的方法。 目的是學習映射G：X→Y，從而利用對抗損失將來自G（X）的圖像分布與分布Y區分開。 由于此映射的約束嚴重不足，因此我們將其與反映射F：Y→X耦合，并引入循環一致性損失以強制執行F（G（X））≈X（反之亦然）。

成對的訓練數據（左）由訓練示例構成，它們具有一對一的對應關系。 未配對的訓練集沒有這種對應關系（摘自本文）

圖取自本文。

該模型包含兩個映射函數G：X→Y和F：Y→X，以及相關的對抗標識符DY和DX。 DY鼓勵G將X轉換為與域Y不可區分的輸出，反之亦然，對于DX，F和X則相反。 為了進一步規范化映射，他們引入了兩個"周期一致性損失"，這些損失捕捉了直覺，即如果我們從一個域轉換到另一個域然后再次返回，我們應該到達起點。

StarGAN

用于多域圖像到圖像轉換的統一生成對抗網絡（CVPR 2018）

論文/代碼/語義學者

現有的圖像到圖像轉換方法在處理兩個以上的域時具有有限的可擴展性和魯棒性，因為應該為每對圖像域分別構建不同的模型。 StarGAN是一種新穎且可擴展的方法，可以僅使用一個模型就可以對多個域執行圖像到圖像的轉換。

跨域模型與我們提出的模型StarGAN之間的比較。 （a）要處理多個域，應為每對圖像域建立跨域模型。 （b）StarGAN能夠使用一個生成器來學習多個域之間的映射。 該圖表示連接多個域的星形拓撲。（摘自本文）

StarGAN概述，由兩個模塊（鑒別器D和生成器G）組成。（a）D學會區分真實圖像和偽圖像，并將真實圖像分類到其對應的域。 （b）G接受圖像和目標域標簽作為輸入，并生成偽圖像。 目標域標簽在空間上復制并與輸入圖像連接在一起。 給定原始域標簽，?G嘗試從偽造圖像中重建原始圖像。 （d）G試圖生成與真實圖像沒有區別的圖像，并被D分類為目標域。