论文部分内容阅读
在图像生成领域,传统的图像风格迁移需要在两个配对的图像间进行转换。循环一致性生成对抗网络(Cycle Generative Adversarial Network,CycleGAN)在2017年被提出后,凭借其可以针对非配对图像进行图像生成的特点取得了良好的效果,迅速成为图像生成领域的研究热点。然而经典的CycleGAN由于生成器无法准确识别图像的特定转换域和无关域,从而存在图像无关域特征随意变换的缺点,使得生成图像失真。针对以上问题,通过引入特征损失来约束生成器的特征识别,利用L1损失保证转换后的