1. Cycle GAN与图像风格转换
WGAN后，GAN生成图像不稳定的问题已基本解决，剩余的缺点以难以盖过它的优点。在这种情况下，Jun-Yan Zhu等人将GAN的应用推广到图像风格转换领域，并基于此给出了许多有趣的应用。图像风格转换一般需要一对图像作为训练样本，但是成对的训练样本在现实生活中往往是难以得到的，鉴于此，作者在Cycle GAN中取消了成对样本的限制，直接使用具有不同风格的样本对进行训练，完成图像风格转换，这使得训练模型的前期准备工作变得轻松许多。本文首先介绍图像风格转换所遇到的问题及Cycle GAN，在此基础上介绍Cycle GAN中存在的计算代价高等问题，最后介绍一种能够弥补该缺点的方法：Star GAN WGAN后，GAN生成图像不稳定的问
