正文
简介
Image-to-image translation with conditional adversarial networks.CVPR-2017,Cited-4432.Open source:
https://github.com/phillipi/pix2pix
,Star-7.5k.
关键字
GAN，CGAN，图像转换，深度学习，机器学习
正文
（1）任务和思路
本文的主要贡献是利用CGAN实现了一个图到图的转换框架。这个框架是利用两个域之间的样本对进行监督学习的，损失由两部分构成，1）CGAN模型的判别器损失，使用二分类交叉熵来计算；2）图像像素损失，使用
来计算。
（2）框架和目标函数
框架如图（原文Fig2）所示，基本框架使用CGAN，但与CGAN不同的是：1）C不是类别而是图像；2）没有了噪声输入。
总体的目标函数：
%2B%5Clambda%20L_%7BL_1%7D(G))
其中第1项是GAN的损失：
![L_{GAN}(G,D)=E_y[\log D(y)]+E_{x,z}[\log(1-D(G(x,z)))]](https://math.jianshu.com/math?formula=L_%7BGAN%7D(G%2CD)%3DE_y%5B%5Clog%20D(y)%5D%2BE_%7Bx%2Cz%7D%5B%5Clog(1-D(G(x%2Cz)))%5D)
其中第2项是像素损失：
![L_{L_1}(G)=E_{x,y,z}[\mid \mid y-G(x,z) \mid \mid _1]](https://math.jianshu.com/math?formula=L_%7BL_1%7D(G)%3DE_%7Bx%2Cy%2Cz%7D%5B%5Cmid%20%5Cmid%20y-G(x%2Cz)%20%5Cmid%20%5Cmid%20_1%5D)
（3）应用
用两幅图来说明应用，刚好是原文的一头一尾，开篇的图（原文Fig1）：
收尾的图（原文Fig10）：
参考资料
[1] Isola, Phillip, et al. "Image-to-image translation with conditional adversarial networks." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
