Yi_Unpaired_Portrait_Drawing_Generation_via_Asymmetric_Cycle_Mapping中提到的strict cycle consistency losss是什么

在 Yi_Unpaired_Portrait_Drawing_Generation_via_Asymmetric_Cycle_Mapping 这篇论文中，作者设计了一个基于CycleGAN的模型用于生成肖像画。模型的目标是将输入的照片转换成肖像画，并且保持图像的一致性。其中，strict cycle consistency loss是用于保证生成的肖像画与输入的照片之间存在着一定的关系，具体来说，就是将生成的肖像画再次转换回原始的照片，然后计算生成的照片与原始照片之间的差异。如果该差异很小，那么就说明生成的肖像画和原始照片之间存在着一定的关系。因此，strict cycle consistency loss可以帮助模型更好地学习到输入照片和生成肖像画之间的关系。

相关问题

unpaired image-to-image translation using cycle-consistent adversarial networks

Cycle-Consistent Adversarial Networks(CycleGAN) 是一种用于不匹配图像转换的深度学习方法。它使用了两个生成器和两个判别器，通过循环一致性约束来学习转换。这种方法可以在没有对应训练数据的情况下进行图像转换，如将日景转换为夜景。

cyclegan 注意力机制

CycleGAN没有显式的注意力机制。CycleGAN的核心思想是通过两个结构相同的生成器和判别器进行双向图像转换。生成器通过学习两个域之间的映射关系，将一个域中的图像转换到另一个域中，而判别器用于区分生成的图像与真实图像的差异。在训练过程中，CycleGAN利用循环一致性损失函数来保持转换的一致性，即将转换后的图像再转回原始域应该和原始图像相似。通过这种方式，CycleGAN可以实现无配对图像的风格迁移任务。

参考文献：
《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》, ICCV17
https://github.＊＊＊ix2pix_cyclegan.md
CycleGAN有两个结构一样的判别器和两个结构一样的生成器，所以我们只需要定义一个判别器和一个生成器，后面train过程使用时实例化成不同对象就可以了。