循環生成對抗網路

CycleGAN（Zhu 等人，2017）把影像從一個域轉換到另一個域——馬到斑馬、夏天到冬天、照片到莫內畫作——而無需任何配對範例。一般而言，要學會「把這張照片變成莫內」，你需要同一個場景既由莫內畫出、又被拍成照片，但這幾乎不存在。CycleGAN 從兩堆未配對的影像（一堆照片、一堆莫內畫）學習，靠的是強制一種巧妙的一致性：若你把一張照片轉成莫內、再把那張轉回照片，你應當還原出原圖。正是這個來回往返的約束，讓未配對轉換得以成立。

CycleGAN 訓練兩個生成器：G 把域 X 映到 Y，F 把 Y 映到 X；以及兩個判別器：D_Y（域 Y 中的真／假）與 D_X（域 X 中的真／假）。兩種要素結合在一起。第一，對抗損失讓 G(x) 看起來像真的 Y 影像、F(y) 看起來像真的 X 影像。第二，循環一致性損失強制 F(G(x)) ≈ x 與 G(F(y)) ≈ y，以 L1 範數衡量。單靠對抗損失約束嚴重不足——許多映射都能讓輸出「看起來像」目標域、卻把內容打亂——因此循環一致性把每個輸入釘在一個特定、保留內容的輸出上。一個可選的身分損失（identity loss，G(y) ≈ y）有助於保留色彩與構圖。

CycleGAN 擅長幾何大致保留的紋理、外觀與風格變換（蘋果到橘子、照片到畫作、白天到夜晚）。它在需要大幅幾何或形狀改變的轉換（貓到狗的體型）上則力有未逮，因為循環一致性獎勵的是讓版面保持可逆。一個已知的假影：循環約束可能逼模型把重建所需的資訊藏進人眼難察的高頻圖樣中（一種隱寫術），使來回往返之所以成功，是出於真正語意轉換以外的原因。它免去了對配對資料的需求，但你仍需要兩個大致匹配的域分布。