GAN 与 CycleGAN

先热个身：GAN 这件事，说白了就是“真假对练”

原文开头把 CNN、RNN、GAN 放在一起提，其实是很典型的那个时代的深度学习视角。前两个大家都比较熟，而 GAN 最特别的地方在于：

它不是单边学，而是两边互相顶着练。

其中：

• G 是生成器 Generator
• D 是判别器 Discriminator

D 的任务很直接：

• 真实图片，希望它判成 1
• 生成图片，希望它判成 0

而 G 的任务就有点“使坏”的意思：

• 给它一段随机噪声
• 它想办法生成一张看起来像真的图
• 最终目标是把 D 骗过去

你如果把整个过程翻成大白话，其实就一句：

先把 D 练成一个很会辨别真假的裁判，再逼 G 把假图做得越来越像真图，直到裁判都分不清。

这也就是原文里那句意思的核心：

• 正样本过 D 拟合到 1
• 噪声过 G 生成负样本
• 负样本再过 D 拟合到 0
• 再反过来逼 G 生成更像真的东西

所以训练 GAN 时，表面看像是两条线，真正最有戏的，其实是那条“生成器通过判别器拿反馈”的路径。

为什么 GAN 会让人觉得很有想象力

普通卷积网络大多是在做识别：

• 这是什么
• 它在哪
• 它属于哪一类

GAN 不一样，它更像是在做“造东西”。

也就是说，它不是只会判断：

这是猫还是狗

它还想学会：

怎么生成一张像猫或者像狗的图

这个转变很大。因为一旦模型开始学“生成”，很多之前只是识别层面的任务，就会自然延展到：

• 图像合成
• 风格迁移
• 图像到图像翻译
• 数据增强

CycleGAN 正是这个方向里非常有代表性的一个版本。

进入主菜：CycleGAN 到底比普通 GAN 多了什么

原文这里的重心很明确，不是泛泛讲 GAN，而是以 CycleGAN 为例说明：

生成对抗网络可以把风格迁移这件事往前推很多。

如果普通 GAN 的基本单元是：

• 一个 G
• 一个 D

那么 CycleGAN 会扩成：

• G_AB：把 A 域翻成 B 域
• G_BA：把 B 域翻成 A 域
• D_A：判断 A 域真假
• D_B：判断 B 域真假

也就是说，它不再是“一条单向生成线”，而是形成了两个方向的来回翻译。

这里最值得强调的一点，也是原文特别提醒的点：

图里上下两条看起来像分开的路线，但并不是四套独立网络。

换句话说：

• 上面和下面用到的 G_AB，其实是同一个 G_AB
• G_BA 也是同一个 G_BA

这点如果不看源码，只看示意图，很容易误会。

为什么它叫 CycleGAN

关键就在那个 Cycle。

它不是只要求：

• A 能翻成 B
• B 能翻成 A

而是要求：

• A 先翻到 B，再翻回 A，别翻丢了
• B 先翻到 A，再翻回 B，也别翻丢了

所以原文里用更直觉的话把训练路线概括成四条：

• A → A
• A → B → A
• B → B
• B → A → B

从今天更常见的术语来看，这里面大致对应两类约束：

• cycle consistency
• identity / self mapping 风格的稳定性约束

但如果你不想记术语，其实抓住一句话就够了：

翻过去可以，翻回来也得说得通。

这个要求一加上，网络就不只是“会模仿另一个域的样子”，而是开始被要求：

迁移时别把原图的关键信息搞没了。

原文为什么会强调双向风格迁移

原文有一句话很抓重点：

CycleGAN 能对风格做双向迁移。

这句话看着平平，实际上是它最亮眼的卖点之一。

比如你有两个域：

• 真实马的照片
• 斑马风格的照片

那 CycleGAN 学到的，不只是：

• 马 → 斑马

还包括：

• 斑马 → 马

而且它希望这两个方向都别太离谱。

这就让 CycleGAN 比很多“只会单边翻译”的结构更自由，也更适合风格迁移这种来回都讲得通的任务。

为什么原文会拿 Pix2Pix 来对照

原文里给出的对比非常直觉：

• Pix2Pix 更偏单向
• CycleGAN 更偏双向

这个说法虽然是偏工程直觉的总结，但很好懂。

你可以把 Pix2Pix 想成：

给定一个输入条件，朝目标输出方向做翻译。

而 CycleGAN 更像：

不仅能朝一个方向翻，还能朝反方向翻，而且中间要保证闭环。

从论文视角看，Pix2Pix 是典型的 paired image-to-image translation，而 CycleGAN 的代表性标签则是 unpaired image-to-image translation。原文没有把这层术语展开得很学术，但它抓住了更容易让人记住的差别：

一个更像定向翻译，一个更像双向来回翻。

为什么作者会觉得 GAN 还有很大空间

原文后半段有个很鲜明的判断：

CNN 的主干结构已经比较成熟，而 GAN 还有很多没被挖完的空间。

这个判断放在原文语境里，其实很好理解。

因为当时的视觉主干，大体已经走过了：

• 深度优先
• 宽度优先
• 残差连接

这些主路线。

而 GAN 系列还在不断冒出新结构：

• 普通 GAN
• DCGAN
• Pix2Pix
• CycleGAN
• 后面还有越来越多的变体

也就是说，GAN 的想象力更多来自“结构怎么玩”，而不只是“主干再加几层”。

这也是为什么 CycleGAN 会让人觉得眼前一亮。它不是单纯堆参数，而是换了思路：把映射关系做成回环，直接把风格迁移这件事推到一个更灵活的位置上。

用 Python 看一个最小版 GAN 生成器

如果你想更有手感一点，可以先看一个非常小的 PyTorch 生成器例子。它不是完整训练代码，但足够帮助理解 G 在干什么。

import torch
import torch.nn as nn


class TinyGenerator(nn.Module):
    def __init__(self, z_dim=100, img_dim=28 * 28):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(z_dim, 256),
            nn.ReLU(inplace=True),
            nn.Linear(256, 512),
            nn.ReLU(inplace=True),
            nn.Linear(512, img_dim),
            nn.Tanh()
        )

    def forward(self, z):
        return self.net(z)


z = torch.randn(8, 100)
G = TinyGenerator()
fake_imgs = G(z)
print(fake_imgs.shape)  # [8, 784]

这个小网络做的事很纯粹：

• 输入随机噪声
• 输出一张“假图”的向量表示

至于它像不像真图，就要交给 D 去挑刺了。

用 Python 看一下 CycleGAN 最核心的 cycle loss 直觉

CycleGAN 最关键的不是把图翻过去，而是翻过去以后还能不能回来。

下面这个小例子专门演示 cycle consistency 的味道：

import torch
import torch.nn.functional as F


# real_A -> G_AB(real_A) -> fake_B -> G_BA(fake_B) -> rec_A
real_A = torch.randn(2, 3, 256, 256)
rec_A = torch.randn(2, 3, 256, 256)

cycle_loss_A = F.l1_loss(rec_A, real_A)
print("cycle_loss_A:", cycle_loss_A.item())

这里的意思非常简单：

• real_A 是原始 A 域图像
• rec_A 是绕一圈回来的结果
• 两者越接近越好

这就是为什么 CycleGAN 不只是“变风格”，而是“变完还得能圆回来”。

如果你用 Keras 写 CycleGAN 风格的生成器块

再看一个更贴近图像翻译的最小块：

from tensorflow import keras
from tensorflow.keras import layers


def res_block(x, filters):
    shortcut = x
    x = layers.Conv2D(filters, 3, padding="same")(x)
    x = layers.ReLU()(x)
    x = layers.Conv2D(filters, 3, padding="same")(x)
    return layers.Add()([shortcut, x])


inputs = keras.Input(shape=(256, 256, 3))
x = layers.Conv2D(64, 7, padding="same")(inputs)
x = layers.ReLU()(x)
x = res_block(x, 64)
model = keras.Model(inputs, x)
model.summary()

这不是完整的 CycleGAN，只是帮你先把“生成器里会有残差块和图像变换路径”这件事摸熟。

参考

• CycleGAN 论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
• Pix2Pix 论文：Image-to-Image Translation with Conditional Adversarial Networks