不吃萝卜

CUT，无监督，对比学习，ECCV2020。
代码：https://github.com/taesungp/contrastive-unpaired-translation
问题:CycleGAN使用循环一致性保持原内容（结构），但它是基于双向映射的假设，这太过限制。因此基于对比学习来最大化两者的互信息。

生成器由一个编码器和解码器组成。
对抗损失
互信息最大化：使用一个噪声对比估计框架，计算交叉熵损失，表示正例被选择在负上的概率。

多层，分段对比学习：

单张图片内创造负例：

$l$是层数，$s$是位置数，上式括号里三个分别为输入对应的特征，输出对应特征，和输入不对应特征。
数据集内创造负例：

总损失：系数为1，1的时候是CUT，效果好。而10，0时是FastCUT，轻量级。