轉載自：

目錄

0 概述

1 直接轉換

3 其他應用 

0 概述

兩種方法，如圖1所示，方法一是直接轉換，方法二是先得到特徵再解碼。

圖1 兩種方法簡介

1 直接轉換

1.1 第一種方法

如圖一所示，判別網路判斷生成圖片是否是第二類，但是容易出現生成影象與輸入影象不相關，不過可以通過設計生成網路來解決，簡單的生成網路則可以使得輸入與輸出相關。

圖2 方法一示意圖

1.2 第二種方法

如圖 3 所示，可以通過一個預訓練的編碼器得到生成網路的輸入與輸出的特徵，使其越接近越好。

圖3 第二種方法示意圖

1.3 第三種方法

如圖4所示，是一種類似環形的形式，叫做 Cycle GAN。

圖4 第三種方法示意圖

1.4 StarGAN

是一種可以生成各種多種類別的網路，由於只使用了一個生成網路，所以類似星星的形狀，如圖5所示，其結構圖如圖6所示，示例如圖7所示。

圖5 StartGAN

圖6 StarGAN 結構圖

圖7 StarGAN 示例

2 基於特徵轉換

理想效果如圖8所示，下面也是介紹各種方法。

圖8 基於特徵轉換理想效果

2.1 第一種方法

共享編碼網路和解碼網路的部分權值。

圖9 第一種方法示意圖

2.2 第二種方法

在特徵出加判別網路，判斷為哪一類輸出的特徵，期望兩種類別輸出特徵相同。如圖10所示。

圖10 第二種方法示意圖

 2.3 第三種方法

叫做ComboGAN，是一種迴圈結構，要求最終還原影象與輸入影象相同，如圖 11 所示。

圖11 第三種方法示意圖

 2.4 第四種方法

與第三種類似，只不過是要求最終兩種類別輸出特徵相同。如圖12所示。

圖12 第四種方法示意圖

3 其他應用 

除了可以用作影象領域，也可以用作其他領域，比如聲音領域，輸入是一個人的聲音，輸出是另一種人的聲音。在過去用傳統的監督學習的話，需要獲得兩個人說相同的句子的錄音，而學習了今天的內容，獲得不同內容錄音也可以了。