ICCV2017论文“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks”
此文章的提出主要是为了解决一个问题—— image-to-image translation中一对一的训练数据较难获得。一般的训练，生成图像总是要与某个gound truth完全相等（pair），而这种gound truth在某些场合中很难获取（例如风格迁移）。因此，作者希望在不借助paired example情况下，实现图像转换。
作者希望能学到一个映射Maping G,将域A中的图片转换到域B中的图片，将域B中的图片转换到域A中的图片，而两个域中的图片并不是成对出现。为使得生成的图片和原来真实的图片无法分辨，因为从A到B的映射出来的图片可能有很多中，为加强转换的约束性，同时为避免GAN中常见的mode collapse问题，将GAN的结构扩展为：
模型：
模型的Loss函数分为两部分
（1）X->Y的映射：
同样的，Y->X也有类似的loss
（2）循环一致性损失
因此最终的目标函数：
CycleGAN本质上是两个镜像对称的GAN，构成了一个环形网络。
两个GAN共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器。一个单向GAN两个loss，两个即共四个loss。