引入
之前的模型不管是Pix2Pix还是CycleGAN，它们都是在两个领域上去做转换的
那么当有多个领域的时候，模型就会变得非常低效
比如说在美图秀秀上，可以做很多功能，美化人、人脸上加饰品、改变肤色等等
这么多种任务，如果要训练n多种Pix2pix/CycleGAN才可以去做，所以比较低效
同时，多个模型中学到的信息不能共享，效果有限
有没有办法可以只通过一个模型就能学到多种变换呢？
StarGAN多领域图像翻译
解决的仍然是成对图像问题
GAN系列(四) —— StarGAN多领域图像翻译 在生成器G的输入需要添加目标领域信息
判别器D除了判断生成的图片是否是真实图片以外，还需要判断生成图片是属于哪个领域的
StarGAN输入的图像依然是成对的
GAN系列(四) —— StarGAN多领域图像翻译 判别器D输入2张图像，真实图像和假的图像，输出得到2个信息，这两个图像是不是一对，然后这两个图像对是不是一个类别的
生成器G输入一个领域信息和一个图像，输出这个图像在这个领域的生成图像
a、b、d反映的就是一个传统GAN
c是StarGAN特有的，多了一个重建损失，是确保一致性的，类似CycleGAN。将经过G生成的特定领域的图片和原图输入，得到input_img在原领域重建的图片，这两个图片之间再计算loss
GAN系列(四) —— StarGAN多领域图像翻译 损失函数
G和D在训练的时候目标函数不同GAN系列(四) —— StarGAN多领域图像翻译