Disco GAN

从一种模态到另一种模态的变换
通过DiscoGAN来寻找 cross-domain relations

定义一个生成器网络 Gab和一个判别器网络 Db，同理一个生产网络 Gba 和一个判别网络 Da。
每一个生成器都讲一个64*64*3的 image 输入到一对 encoder-decoder 中，输出 64*64*3 ，encoder网络是卷积，decoder 是反卷积
判别器网络和 encoder 部分相似

a)是原始的GAN网络 b)增加了一个Xab到Xaba c)是本文的网络，有A到B， 和B到A的过程

生成器Gab由两个 loss 组成
一个是Lconsta(3)，表示X由A变到B在变到A，和初始的A尽量相似，即两者的distance尽量小
另一个是Lganb(4)，即判别器判断生成的B是真实的B的可能性尽可能的大，前面加负号，该loss尽可能的小

判断器Db的loss由两个 loss 组成
一个是判断真实B的概率尽可能的大，加负号，即小
一个是判断生成的B的可能尽可能的小，加负号，且 1-log，也是最小化它

GAN模型存在一个现象就是一个模态的多个映射到另一个模态的一个，如上图(b)，增加的 reconstruction loss Lconsta 有助于解决这个问题

但是之前的模型只有从 A 到 B 的过程， 没有从 B 到 A 的过程，我们的模型 couple previously proposed model 如图(c)所示

整个模型的生成器损失和判决器损失如上，由A到B ,和B到A两部分组成