CycleGAN图像风格迁移互换
CycleGAN（循环生成对抗网络）是一种用于在没有成对训练数据的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该技术的一个重要应用是域迁移，即图像风格迁移。
模型介绍
模型简介: CycleGAN 来自于论文 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks。该模型允许在没有配对示例的情况下将图像从一个域转换到另一个域，与 Pix2Pix 不同，Pix2Pix 需要成对的训练数据。
模型结构: CycleGAN 由两个对称的 GAN 网络组成，通过生成器和判别器的相互作用实现图像风格的转换。生成器将苹果图像转换为橘子图像，而判别器判断图像的真实性。模型的关键部分是循环一致损失（Cycle Consistency Loss），确保生成的图像能与输入图像保持一致。
模型结构细节
生成器: 使用 9 个残差块组成。生成器的目的是将输入图像转换为目标风格的图像。
判别器: 使用 PatchGAN 模型，输出判定图像为真实图的概率。
损失函数和优化器
损失函数: 对抗损失（GAN Loss）和循环一致损失（Cycle Consistency Loss）是关键。对抗损失使生成的图像更逼真，而循环一致损失确保图像能转换回原始图像。
优化器: 不同模型需要单独设置优化器，生成器和判别器有不同的优化目标。
模型训练
训练过程: 分为训练判别器和训练生成器。判别器的目标是最大化判别图像真伪的概率，生成器则试图最小化生成图像与真实图像的差异。
前向计算和反向传播: 前向计算包括损失计算，反向传播用于更新模型权重。