简介
Stargan: Unified generative adversarial networks for multi-domain image-to-image translation.CVPR-2018,Cited-690.
官方开源，是pytorch版本的：https://github.com/yunjey/StarGAN
关键字
风格迁移，GAN，深度学习，机器学习
正文
1. 任务
StraGAN目标是多个域之间的图像可以相互转换，与CycleGAN不同的是StraGAN转换域只需要一个模型就可以实现，其基本思路可以想象成CycleGAN的输入输出各自加上个域开关，使用这个开关来指示域转换的方向。用个图（文献Figure3）来表示：
从图上可以看出在生成器增加了个目标域标记输入，输入样本时附加上目标域标记
；判别器增加了域标记判别的输出，即在判别生成的样本
时，需要判别
的真假外，还需要判别
的属于哪个域。
2. 损失和训练过程
损失有3个构成：对抗损失对应传统GAN的损失，使用二分类损失计算；
域损失对应判别域标签的损失，使用交叉熵或多个二分类损失来计算；循环一致性损失
，和CycleGAN一样使用
来计算。
训练过程包含2个，更新参数时使用的目标函数分别如下：
3. 多数据集联合训练
为了发挥StarGAN的优势，可以同时训练多个数据集，但是多个数据集包含的属性未必相同，在训练过程中不仅对每个数据集的属性进行了编码，还增加了一个Mask来指示数据域，如图（文献Figure8），更加具体的可以参考开源。
4. 效果
放个文献的图（文献Figure1）：
参考资料
[1] Choi, Yunjey, et al. "Stargan: Unified generative adversarial networks for multi-domain image-to-image translation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.
