摘要
图像到图像的转换是一类视觉和图形问题，其目标是通过一组对齐的图像对训练集来学习输入图像与输出图像之间的映射关系。然而，对于许多任务而言，配对的训练数据可能并不可用。本文提出了一种在缺乏配对样本的情况下，从源域 $X$ 到目标域 $Y$ 学习图像转换的方法。我们的目标是学习一个映射 $G: X \rightarrow Y$，使得从 $G(X)$ 生成的图像分布与目标域 $Y$ 的图像分布无法区分，这通过对抗损失实现。由于这种映射具有高度不确定性，我们将其与逆向映射 $F: Y \rightarrow X$ 结合，并引入循环一致性损失以确保 $F(G(X)) \approx X$（反之亦然）。我们在几个不存在配对训练数据的任务上展示了定性结果，包括集合风格迁移、对象变形、季节转换、照片增强等。定量对比实验表明，我们的方法优于几种先前的方法。