---恢復內容開始---
Motivation
使用單組的生成器G和判別訓練圖片在多個不同的圖片域中進行轉換
效果確實很逆天，難怪連Good Fellow都親手給本文點贊
Introduction
論述了Image translating的概念，GAN極大地提升了該領域的生成質量。具體到頭像生成任務，作者定義attribute為圖片特征（feature），如haircolor，age，gender等；domain被定義為 一系列共享了某個屬性的圖片，如女性圖片和男性圖片分屬不同的domain。該文的訓練數據集基於celebA（40 labels related to facial attributes such as hair color, gender, and age）和RaFD（8 labels for facial expressions such as ‘happy’, ‘angry’ and ‘sad’）。圖1左邊正是展示了由starGAN生成的圖片怎樣在celebA的各個不同域之間進行轉換的例子，右邊展示了交叉訓練兩個數據集，以把RaFD的表情域也應用在celebA的圖片上面。
現有的GAN模型為了實現在k個不同的風格域上進行遷移，需要構建$k*(k-1)$個生成器，並且還不能跨數據集訓練（標注不能復用）。StarGAN正是為了解決跨多個域、多個數據集的訓練而提出的。在StarGAN中，並不使用傳統的fixed translation（(e.g., black-to-blond hair），而是將域信息和圖片一起輸入進行訓練，並在域標簽中加入mask vector，便於不同的訓練集進行聯合訓練。本文貢獻：
- 提出StarGAN模型，使用單組GAN模型進行跨domain和跨數據集的訓練
- 展示了mask vector技術來實現上述的訓練過程
- 訓練了角色的面部屬性和面部表情特征的各種圖片
Ralated Work
- GAN（略）
- CGAN（略）
- Image2Image translating
pixel2pixel coGAN DiscoGAN CycleGAN
模型描述
1.損失函數
adv損失函數
和普通的GAN沒太大區別，對G來說，輸入為圖片x和標簽信息c。
Domain Classification 損失函數
對於真實圖片：
對於生成圖片：
Recstruntion 損失
使用了cycle損失的概念 
，看來循環訓練的概念確實可以高質量的保留原有圖片特征！！！！！！！！
綜合上述各損失函數，得到StarGAN的總損失函數表達：
2.在多數據集上訓練模型
對於不同的數據集來說，每一個數據集只能知道全體標注的一部分。如celebA並不知道RaFD中關於表情的“憤怒” “開心”等標簽。但是在計算損失函數時，我們需要知道全部的標簽信息，作者使用mask vector來解決這一問題。在StarGAN中構建了一個n-dimensional的one-hot vector m，其中n是數據集的數量（在論文中使用了兩個數據集，故n=2），對於未知的數據集標簽，統統設置為0向量
訓練時，生成器G將忽略掉傳入的C向量中的0向量,猶如在訓練單數據集一樣，而判別器D的auxiliary classifier則生成所有數據集的全部標簽概率，但只和已知的真實標簽做loss計算。
訓練模型采用了Wasserstein GAN
---恢復內容結束---