打造多样风格，StarGAN带你解锁惊奇视界

虽然Pix2Pix解决了有配对的图像翻译问题，CycleGAN解决了无配对的图像翻译问题，但是无论是Pix2Pix还是CycleGAN，它们对图像翻译而言，都是一对一的，即一类图像对一类图像。然而涉及多类图像之间的转换，就需要CycleGAN进行一对一逐个训练，如图7-8（a）所示，显然这样的行为是极为低效的。

针对这种困境，Star GAN解决了这类问题。如图7-8（b）所示，Star GAN希望能够通过一个生成器解决所有跨域类别问题。

图7-8　跨域模型（如CycleGAN等）与Star　GAN

StarGAN中生成器与判别器的设计以及模型结构如图7-9所示。

图7-9　Star　GAN模型结构示意图

模型中（a）～（d）的要求如下：

（a）D学会区分真实图像和生成图像，并将真实图像分类到其对应的域。因此，对D而言，实际上是由两部分组成的，即D：x→{Dsrc（x）；Dcls（x）}；

（b）拼接目标标签与输入图片，将之输入G，并生成相应的图像；

（c）在给定原始域标签的情况下，G要尽量能重建原始图像，这与CycleGAN的循环一致性一脉相承；

（d）这一点与一般的GAN相同，G要尽量生成与真实图像相似的图像，但同时又要尽量能被D区分出来。

从目标函数来看，首先判别器的目标函数要求满足GAN的结构，即(www.zuozong.com)

此外，还需要判别器能将真实图像分类到相应的域：

针对生成器，除了Ladv对应的GAN结构外，还要求判别器能将生成图像分类到相应的域：

此外，还要求尽量能重建原始图像：

其中，c′为原始图像对应的类别。如此，可以得到判别器的目标函数为

以及生成器的目标函数为

其中λcls和λrec均为常数。

Star GAN作为CycleGAN的推广，将两两映射变成了多领域之间的映射，是图像翻译领域的又一重大突破。此外，Star GAN还可以实现多数据集之间的联合训练，比如将拥有肤色、年龄等标签的Celeb A数据集和拥有生气、害怕等表情标签的RaFD数据集训练到同一个模型，完成模型的压缩。