不吃萝卜

GANHOPPER，无监督，ECCV2020。
问题：模型常解决的是局部和风格的转换，而几何和形状偏差大的不太行。因此考虑限制和引导翻译过程，逐步跨越领域。狗->猫的4-hop为例，比如最开始完全像狗，一步后25%像猫75%像狗，再几步后，完全像猫。
相关工作：以前的解决几何变形的方法是风格-内容、尺度分离、特征解缠等。而本文仅在图像空间。
结构：CycleGAN的两个生成器G、F，判别器$D_{Y}、D_{X}和一个新的混合鉴别器D_{H}$。

损失：

循环一致性损失：与CycleGAN不同，论文里是指$G_{n}经过一个F等于后退一步，即G_{n-1}$。反之亦然。

对抗损失：LSGAN，针对每个hop生成的图像。
Hybrid loss：评估属于某个域的程度，$G_{n}目标分数为n/h$。

Smoothness loss：惩罚n和n-1 hop之间的差异，使每次变化较小，最终完整。L1 norm。
训练过程：每次hop都是同一个生成器。算法如图：

Future work：自动学习hop数。所有hop使用同样的G，能否在考虑内存的情况下改进。与多模态结合。将hop信息one-hot编码作为生成器的输入。生成在给定图像域之外的有意义的extrapolation sequences，以产生创造性和新颖的输出。