登顶Github趋势榜，非监督GAN算法U-GAT-IT大幅改进图像转换效果
U-GAT-IT算法源自论文U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation：
作者来自韩国NCSOFT公司与波音韩国工程技术中心。
论文主要贡献：
1. 提出了一种新的无监督图像到图像转换方法，它具有新的注意力模块和新的归一化函数AdaLIN。
2. 提出的注意力模块通过基于辅助分类器获得的注意力图，区分源域和目标域，帮助模型知道在何处进行密集转换。
3. AdaLIN函数帮助我们的注意力引导模型灵活地控制形状和纹理的变化量，而无需修改模型架构或超参数。
U-GAT-IT，是无监督的GAN，训练时不需要成对图像，由两套GAN系统循环图像转换组成。
一套GAN系统，将图像从源域到目标域转换。
另一套GAN系统，将图像从目标域向源域转换。
故其有两套生成器和判别器。
为了让系统在生成和判别时更具针对性对特定区域进行转换和鉴别，作者加入CAM（意即类激活图模块）。它能找出对于判断一张图的真假最重要的区域，这样生成器和判别器就可对此区域更具针对性生成和判别。
作者使用的生成器：
作者使用的判别器：
另外作者发明了AdaLIN归一化方法，其作用为在归一化时，在Instance Normalization (IN)和Layer Normalization（LN）两种归一化方法之间动态自适应选择，不局限于常用的IN。
作者称，AdaLIN可以使得系统灵活控制形状与质地的变化。
实验结果
作者首先研究了添加注意力模块CAM给系统带来的影响，下图为几幅图像转换的视觉效果比较：
（a）为原图像，（b）为生成器的注意力图，（c）（d）为鉴别器的局部和全局注意力图，（e）为使用CAM后的图像转换结果，（f）为不实用CAM的结果。
可见，该文提出的CAM模块极大提升了转换图像的视觉效果。
数值量化比较结果如下：
可见使用CAM与AdaIN，均使得算法效果提升。
作者在多个数据集上进行转换，并进行了用户主观感受的调查研究：
共有135位参与者对使用图中 5 种算法转换的结果进行了打分，U-GAT-IT可谓是取得了压倒性的优势！
作者在几大数据集上对正向和逆向图像转换都进行了比较，数值结果如下：
U-GAT-IT在大多数情况下都是最好的！
总之，U-GAT-IT是目前无监督图像转换的新标杆！
多说一句，
图像转换有什么用？
除了“自拍变漫画”、“猫变狗”、“狗变猫”、“实景变素描”这些偏娱乐性的应用，图像转换也可以用来做“正经事”。
CV君曾经跟大家分享了一篇无监督GAN用于医学图像数据增广的文章：
大大丰富了医学影像分割的数据，有效提升了分割质量。
现在可以使用U-GAT-IT来一波神笔马良的操作了～
论文地址：
https://arxiv.org/pdf/1907.10830.pdf
TensorFlow版代码：
https://github.com/taki0112/UGATIT
PyTorch版代码：
https://github.com/znxlwm/UGATIT-pytorch
GAN微信交流群