阅读论文：Cross-Domain Cascaded Deep Translation
问题：无监督翻译里大多解决的是风格和外观的转换，本文考虑形状的转换。
两个域的语义相同，但外观和形状不同。一般来说是深层结构，浅层细粒度。
因此，论文在分类和图像翻译之间应用迁移学习，通过一个预训练分类网络提取编码的深层特征来学习翻译高级语义。不再是图像之间的翻译，而是特征之间的翻译。
方法：deep-to-shallow
预处理：VGG-19提取5层采样特征，并归一化。
推理：逐级翻译，最后通过特征反演来获得最后图像。
特征反演：通过预训练一个深层特征反演网络来可视化特征成图像，follow论文：Generating images with perceptual similarity metrics based on deep networks.
最深层翻译：CycleGAN,对抗损失（WGAN-GP），循环一致性损失，identity loss。
coarse-to-fine的条件翻译：AdaIN。如图，ai来生成每层的AdaIN参数，从而控制bi+1到bi的生成。
实验：斑马到大象，斑马到长颈鹿，差别都挺大。
将原始图像和生成图像经过VGG，提取最后一层全连接层，使用t-SNE投影向量（4096）到2D。
限制：1.不保留背景（因为一起编码了） 2.丢失小物体（VGG-19一般不可逆，且只能在有限类别分类） 3.翻译的小错误可能放大
验证该方法在无条件生成是否有用。（DEEP-VAE）