不吃萝卜

INIT,多域，ECCV2020.
问题：large domain variations。large semantic discrepancies。 large gap between the source and the target domain。有些样本没用，反而阻碍训练进程。
解决：Adversarial Importance Weighting（AIW）、Multi-hop Sample Training（MST）
度量学习：在embedding空间缩短相似样本距离，扩大不同的样本距离。主要是在损失和样本选择策略上改进。其中，常见损失：constrastive loss和triplet loss。
重要性采样：Importance Sampling (IS)，我们可以从$p_{g}(x)$中提取样本来估计任何已知函数L的$E_{pdata}[L(X)]$。即：

似然比$p_{data}$/$p_{g}$被称为重要性权重。
Adversarial Importance Weighting：在最优判别器的情况下延伸到一般情况下的权重。
在最优判别器下：$\widetilde{D}^{*}$越大，意味着权重越大，目标图像不太容易判别。在GAN中挖掘信息样本意味着找到hard假样本。
一般情况下：度量D和D*。首先通过预训练的embedding模型$\phi$投影训练样本和生成结果到一个半径为r的超球面上，然后计算$x_{i}^{s}$和$x_{j}^{t}$欧式距离。定义$\Delta l$和$\Delta l^{*}$分别为类间距减去类内距的真实值和理想值。因此，AIW可表述为：

Multi-hop Sample Training：判别器通过AIW加强了，为平衡，让生成器多次翻译结果，这样属性多的就可以一步步实现。再加上MST，表达为：

结构：

CGAN往上加，embedding模型为预训练的VGG，MST论文里取2-hop。
算法：

实验：人脸、季节、边缘等。其中多属性转移完成的很好。