PyTorch生成式人工智能（10）——CyclelGAN详解与实现_cyclegan pytorch

PyTorch生成式人工智能（10）——CyclelGAN详解与实现

• • 0. 前言
  • 1. CycleGAN 与循环一致性损失
  • • 1.1 CycleGAN 架构
    • 1.2 循环一致性损失
  • 2. 名人面孔数据集
  • • 2.1 数据集下载
    • 2.2 数据集处理
  • 3. 构建 CycleGAN 模型
  • • 3.1 创建判别器
    • 3.2 创建生成器
  • 4. 使用 CycleGAN 实现跨域转换
  • • 4.1 训练 CycleGAN
    • 4.2 跨域转换
  • 小结
  • 系列链接

0. 前言

CycleGAN 的关键创新在于，能够在没有成对样本的情况下学习不同域之间的转换。CycleGAN 有许多有趣且实用的应用，例如模拟人物面部的衰老或复原过程，以辅助身份验证，或者在不需要实际创建每个实体时，转换不同颜色或图案，从而简化设计过程。
CycleGAN 使用循环一致性损失函数来确保原始图像可以从转换后的图像重建原始图像，从而鼓励保持关键特征。为了训练 CycleGAN，需要调整模型的参数，以最小化对抗损失和循环一致性损失之和。对抗损失用于量化生成器欺骗判别器的能力，以及判别器区分真实与虚假样本的能力。循环一致性损失是 CycleGAN 的关键创新，衡量了经过一次往返转换后，原始图像与虚假图像之间的差异，并将循环一致性损失加入到总损失函数中。

1. CycleGAN 与循环一致性损失

CycleGAN 扩展了基本的生成对抗网络 (Generative Adversarial Network, GAN) 架构，包含了两个生成器和两个判别器。每一对生成器-判别器负责学习两个不同域之间的映射关系，目标是将图像从一个域转换到另一个域(例如，将马转化为斑马，将夏季场景转化为冬季场景等)，同时保持原始图像的关键特征。CycleGAN 使用循环一致性