StarGAN（2018年的CVPR）
1.提出该想法的出发点（问题导向）
在域到域 图像转换算法研究中，Pix2pix解决了两个领域之间匹配数据集之间的转换，但在很多情况下匹配数据集很难获得，于是出现了CycleGAN。它可以实现两个领域之间非匹配数据集之间的转换， 然而这些转换每次只能在两个领域之间进行，当需要进行多个领域间的转换时，就需要训练多个网络，模型训练耗时长且泛化能力弱。StarGAN仅使用一个网络就实现多个领域之间的图像转换，本论文呈现的图像转换的效果也比较好。
2.网络架构
基于GAN网络架构，普通的GAN接收的G部分的输入是随机向量，输出是图像；D部分接收的输入是图像(生成的或是真实的)，输出是对或者错。这样G和D联手就能输出真实的图像。
-
上图中的两个生成器 G 是同一个生成器，整个StarGAN中只使用了一个生成器和一个判别器。
-
生成器G：
输入：图像 + 目标领域的标签
输出：图像
判别器D：
输入： 图像
输出： 判别图像真假 + 对真图像进行分类
代码中体现：
3.目标函数
- 对抗损失（为了使生成图像尽可能真实）
- 分类损失（保证能够被分类为正确的目标领域）
对于一个输入图像x和目标分布标签c，我们的目标是将x转换为输出图像y，y能够被正确分类为目标分布c。为了实现这一目标，我们在D的顶部加入了辅助分类器，并加入分布分类损失函数，使其对生成器和判别器都起到正则化的作用.也就是说,我们将这个式子分解为两部分:一个真实图像的分布分类损失用于约束判别器D，一个假的图像的分布分类损失用于约束生成器G。
一个真实图像的分布分类损失用于约束判别器D：
一个假的图像的分布分类损失用于约束生成器G：
- 重构损失（保证当只改变输入domain-related part时，转换后的图片关键信息不丢失）
4.创新点
-
通过加了一个辅助分类器，能够只训练一个G和D就能实现多领域的转换
-
多数据集联合训练（？？？好处）
