01 Introduction

跨域概念介绍：训练集与测试集来源的时间、摄像头位置等具有较大差别，识别目标的所处季节、背景、视角等都发生变化。这就是目标域与源域之间的差距。同时，域内自身会有差距。

解决方法：

利用GAN完成风格迁移（源域到目标域、目标域内部）：从inputl-level（输入级）方，和/或，从feature-level（特征级）方
在目标域内部无监督或辅助监督：

这些方法背后有一个共同问题：这种适应性通常在特征空间上运行，该特征空间编码 id 相关和 id 无关的因素。因此，id 相关特征的适配不可避免地受到 id 不相关特征的干扰和损害，限制了 UDA 的性能增益。

由于跨域人员重新识别与解耦合和适应问题都有关联，并且现有的方法大多分别处理这两个问题，因此提出一个共同解决这两个问题的原则性框架非常重要。

本论文提出了一种跨域和循环一致的图像生成方法，通过相应的编码器模拟三个潜在空间来分解源图像和目标图像。潜在空间包含捕获 id 相关特征的共享外观空间。【净化特征空间（编码了身份相关与无关的特征，因此后者将对前者产生影响），前者举例：外观等；后者：姿势、位置、背景等】

解耦问题、域适应问题，共同解决相互促进:
(1)解耦合导致更好的适配，因为我们可以使后者专注于 id 相关的特征并减轻 id 不相关特征的干扰
(2)适配反过来改善解耦合，因为共享外观编码器在适配期间得到增强。

02 Related work

文章中详细介绍了其他各类方法，不再展开。
。
DG-Net++的重要设计：

DG-Net++旨在解决无监督的跨域重 id，而 DG-Net 是在完全监督的设置下开发的。
DG-Net++建立在一个新的跨域循环一致性方案之上，在没有任何目标监督的情况下，将 id相关/不相关因素分离出来。相比之下，DG-Net 采用了通过潜在代码重构的域内解纠缠，并获得了基本的真实身份。
DG-Net++以统一的方式将解纠结与适配无缝融合，使两个模块相互受益，这在 DG-Net 中是没有考虑到的。
在六个基准对上，DG-Net++在无监督跨域重标识方面显著优于 DG-Net。

03 方法

跨域循环一致性图像生成的示意图
重点：

将所有特征分为三个空间：Shared appearance space（id相关）、Source structure space与target structure space（均id无关）
共享外观解码器（shared appearance encoder)，将解耦合与域适应相结合
源域与目标域共享图像和域鉴别器，但有自己的结构编码器和解
码器
虚线表示源/目标结构编码器的输入图像被转换为灰度

03.1 解耦合模块

3.1.1 公式

共享外观编码器 $E_{app}: x->v$
源结构空间编码器 $E_{str}^{s}、解码器G…$
目标结构空间编码器、解码器
图片鉴别器（域无关性） $D_{img}$ ：辨别真实或合成图片
域鉴别器 $D_{dom}$ ：辨别源或目标空间
【注:对于合成图像，用上标表示提供外观代码的真实图像，用下标表示提供结构代码的真实图像；对于真实图像，它们只有下标作为域和图像索引。我们的适应和重新识别是使用外观代码进行的。】

3.1.2 跨域生成

跨域cycle-consistency来加强外观与结构特征之间的分离
给定一对源图像和目标图像，我们首先交换它们的外观或结构代码来合成新图像。由于合成图像不存在真实监督，我们利用循环一致性自我监督，通过交换从合成图像中提取的外观或结构代码来重建两幅真实图像。
为了保证图像生成器伪造的质量以及提高特征的判别性，作者用循环一致性损失和交叉熵损失来约束：
在这里插入图片描述
外观编码器损失函数：

图片鉴别器损失函数：
在这里插入图片描述
除了跨域生成之外，解耦合模块还可以灵活地将域内生成合并为进一步稳定、约束域内的解耦合工具。

03.2 域适应模块

3.2.1 对抗对齐（Adversarial alignment）

为了消除两个域的差异，我们要实现 id-relate 信息也是域无关的，也就是不论是目标域还是源域，对于同一个id的图像，提取的 id-relate 特征应该是相似、对齐的，因此引入了一个domain的判别器D_{dom}，其损失为：
在这里插入图片描述
在对抗训练期间，共享外观编码器学习产生其域成员不能被Ddom区分的外观特征，使得跨域外观特征分布之间的距离可以减小。