对标CycleGAN：EnlightenGAN是如何无监督(无配对图像)训练夜景增强，低曝光还原的？

作为无监督无配对图像的样式转换领域的标杆，CycleGAN让人印象深刻。通过一个循环一致loss(cycle consistency loss) 保证生成器生成的样本经过再生成，能够和原来样本保持相似一致性：

来自：https://arxiv.org/pdf/1703.10593.pdf

所以，生成器不仅要像普通GAN那样生成另一个样式域的图像，而且，这个生成的图像如果从另一个样式域映射回来，要和原图足够像才行：

来自：https://arxiv.org/pdf/1703.10593.pdf

但是CycleGAN也有缺点，CycleGAN不可能针对所有样式转换应用都适合，所以针对特殊应用需要修改，另外，这种双向GAN loss计算量就比较大，两个样式域的loss都要考虑。

针对这些，EnlightenGAN在训练夜景增强，低曝光还原的图像上试图更近一步：

来自：https://arxiv.org/pdf/1906.06972.pdf

事实上，CycleGAN和EnlightenGAN都是在loss上做了手脚（你必须告诉GAN要生成和原图相似的图像，不是吗？）。

但EnlightenGAN 更进一步 ，做到了单向GAN训练（无需cycle循环）：

...阅读更多...加入David9的星球群阅读所有文章:

加入David9的星球群，获得通行密码 , 阅读全文

发布者

David 9

邮箱：yanchao727@gmail.com 微信: david9ml

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注