1. CycleGAN的简介
pix2pix可以很好地处理匹配数据集图像转换，但是在很多情况下匹配数据集是没有的或者是很难收集到的，但是我们可以很容易的得到两个领域大量的非匹配数据。2017年有两篇非常相似的论文CycleGAN和DiscoGAN，提出了一种解决非匹配数据集的图像转换方案。而且CycleGAN在转换的过程中，只是将A领域图像的某些特性转换成B领域的一些特性，图像的其余大部分内容都没有改变。CycleGAN 能实现两个相近数据集之间的转换。
2. CycleGAN的网络结构
CycleGAN网络结构的拆分
该结构中，生成器相当于一个自编码网络，前半部分进行编码，后半部分进行解码，而且生成器G和生成器F的结构完全相同，其中生成器G负责实现由X到Y的转换，生成器F负责实现由Y到X的转换，它们的输入、输出的大小均为（batch_size, n_channel, cols, rows），判别器的输入为（batch_size, n_channel, cols, rows）, 判别器的输出为（batch_size, 1, s1, s2）。
3. CycleGAN的损失函数
（1）对抗损失
对抗损失的作用是，使生成的目标领域的图像和目标领域的真实图像尽可能地接近。
（2）循环损失
循环损失的作用是，使生成的图像尽可能多的保留原始图像的内容。
在网络训练的过程中是将G和F联合起来一起训练的，Dx和Dy是单独进行训练的。
G-F联合网络的损失函数为：
引自：
CycleGAN-两个领域非匹配图像的相互转换 - 简书1. CycleGAN的简介 pix2pix可以很好地处理匹配数据集图像转换，但是在很多情况下匹配数据集是没有的或者是很难收集到的，但是我们可以很容易的得到两个领域大...
https://www.jianshu.com/p/40ddf1d9c8ef
