课程资料

• 讲稿下载：（报名后可见）

• http://campus.swarma.org/public/ueditor/php/upload/file/20170602/1496402168719734.pdf参考文献：（报名后可见）

课程背景

你知道吗？在深度学习领域，有两种非常有趣的关于图片转化的应用。一种可以实现图片到图片的风格转换，可以将你的照片转化成犹如梵高的油画一般。另一种可以实现图到图的抽象转换，比如你随手勾勒出一只猫的简笔画，系统就可以在你的简笔画中画出一只“真正的”猫出来。这种从图片生成转化图片的过程可以理解为“图到图的翻译”。

今天我们要讲的主题就是“图到图的翻译”。一般来说，如果我们要训练一个能将“简笔画”转化成“猫照片”的模型，那肯定需要大量的“简笔画”与“猫照片”的配对图片。这样模型才能学习到将“简笔画”翻译成“猫照片”过程中的模式。这里有个问题，大量的配对图片可不好获得，不管是使用工具生成还是人工标注，都会产生很大的工作量。

这时候CycleGAN应运而生，它不需要“配对图片数据”的训练，也能将“图到图的翻译”完成的非常棒，且转换效果比传统模型更加优秀。究竟是什么原因使CycleGAN有如此优秀的特性？Cycle的原理是什么？它是怎么完成训练的？且看来自北师大的美女博士楼晓丹为你娓娓道来。

课程目的

学完本课程，你能做到

• 了解使用“配对数据”训练的多种 GAN 的原理与效果

• 了解使用 GAN 做风格转换的不同点

• 熟悉多种 GAN 的结构原理

课程详情

本讲的主要内容有：

• 图像的风格转换

• 莫奈再生？1873年的塞纳河畔

• 风格转换——图到图的翻译

• 具有图到图翻译功能的几种GAN

• 条件GAN（Conditional Adversarial Networks)

• PatchGAN

• 使用非配对图片完成图到图翻译

• CoGAN（Coupled generative adversarial networks）

• CycleGAN

• 强大的CycleGAN

• CycleGAN的模型结构

• 优化目标

• CycleGAN在模型结构上的改进

• 性能优异的CycleGAN

• CycleGAN的应用展示