张格格，李丹

（四川大学锦城学院，四川成都，611731）

1 介绍

CycleGAN是一个可以用于未配对数据的转换的对抗网络。它做的事情是在一个图片集中捕获出特殊的特征，然后将这些特征转移到其他图片集上。可以将这个问题描述为图像到图像的转换或翻译。它是从一个给定场景的表示形式中转换图像，例如将现实生活中的场景转化为某一种风格的画作（例如将玫瑰花照片转换为梵高风格画作的图片）。虽然CV研究图像加工、计算摄影技术和图像学经过多年的研究，在有监督的情况下已经产生了强大的可用成对出现的样本图片转换系统[1]。但获得配对好的图像数据于我们而言是一件困难且需要耗费很大成本的事情，而现有的CycleGAN可以实现任意类似数据图像的转换。因此我们可以将CycleGAN模型用于此方面的转换，或者运镜时的视频转换。而此篇文章主要是使用CycleGAN来实现现实世界中的场景到动漫风格图片的转换。

2 相关工作

2.1 生成性对抗网络

生成性对抗网络在图像生成[2,3]、图像编辑[4]和表示法学习[3,5,6]上早已获得令人赞叹的结果，而生成性对抗网络成功的关键是对抗性损失想法的提出，即强迫生成图像在一次次的训练中逼近真实图片，使得鉴别器无法将生成图像成功的鉴别为假。这个损失在图像生成任务中的功能很强，而循环一致性对抗网络就采用了一个对抗损失来学习这个映射，从而使得生成图像很逼真。

2.2 图像到图像的转换

Hertzmann等人提出的图像类比[7]推动了人们对图像到图像的转换的想法。……