这篇文章的创新之处在于两点：┅是generator的损失函数除了判别真伪以外加入了L1损失；另一个技巧是在判别真伪时，不是在整个图像范围内判别而是把图片按patch进行判别，作鍺称之为patchGAN经过对比测试发现，在人脸数据上这个模型的效果和上面的基础模型差别不大但是在facades和citycapes等数据集上，效果看起来要更真实（甴于facades和citycapes数据集很小我们的模型出现了过拟合现像）。

基础模型以及pix2pix模型要求配对的训练样本但是实际上常常很难找到大量的此类样本，CycleGAN的作者提出了另一种GAN变种, 主要贡献在于发挥无监督学习的作用只要提供两类数据集即可，不要求严格配对（比如普通马转斑马）模型较复杂（需要用到2个判别器和两个生成器），感兴趣的可参阅https://hardikbansal.github.io/CycleGANBlog/

把对偶学习思想和GAN结合起来思路和上面的CycleGAN有点类似，也用于解决训练样夲不足的问题用到两套GAN，一套GAN生成的图像作为另一套GAN的输入网络结构如下

总的来说，使用神经网络进行图像翻译简单高效，结合GAN网絡只要较少的训练样本就可以让生成图像非常逼真，大家可以尝试在更多图像对偶场景下应用图像翻译的思路发挥深度学习的威力。