不吃萝卜

DCMIT，多域，多模态，无监督。
图像-图像翻译问题：1）无成对训练数据。2）来自单个输入图像的多个可能输出的模糊性。3）缺乏对使用单一网络进行多域翻译的同时训练。
隐式解缠学习问题：部分情况下，混淆内容和风格。
相关工作：
域内监督和域间监督：
域样式表示提取器$E_{D_{i}}^{s}$的预训练:给定来自n个不同领域的图像，我们通过切换来自同一领域的图像的样式代码来训练一个CNN。目的是为了学习特定域的样式表示，并正确地对图像的域进行分类。然后这个预训练好的模型$E_{D_{i}}^{s}$被用作域间翻译的显式域监督。
框架：
结构:内容编码器，样式编码器，解码器。内容编码器：IN。样式编码器：无IN，因为IN会移除包含重要样式信息的原始特征的均值和方差。解码器：AdaIN。
域样式表示提取器，判别器和域分类器：
损失：
Self-reconstruction loss$L_{sr}^{x_{1}}$：
Image reconstruction loss$L_{cc}$：两步。
Disentanglement constrained loss$L_{dc}$：利用域信息并明确地约束解纠缠。
Latent reconstruction loss$L_{lr}$：
Distribution matching loss$L_{dm}$：使样式编码接近于先验的高斯分布。MMD。
Domain classification loss$L_{cls}$：域分类器与域样式表示提取器一起预训练。
Adversarial loss$L_{cls}$：LS。
编码，解码，判别器总损失：（14-15）
域样式表示提取器：（16-17）
算法：
实验：艺术，天气，季节。边缘→鞋，边缘→手袋。
未来工作：扩展到多退化图像恢复。