前言

StarGAN v2: Diverse Image Synthesis for Multiple Domains? （多域多样性图像合成）?In CVPR 2020.?

Paper:?https://arxiv.org/abs/1912.01865
Video:?https://youtu.be/0EVh5Ki4dIY

The controbute:

StarGAN V2 solves two major challenges of image conversion:?
1、Converts images of one domain into multiple images of the target domain（将一个域的图像转换为目标域的多种图像）
2、and suports multiple target domains.（并支持多个目标域）

Experimental results show that the proposed method can generate rich style/style images across multiple domains, and is obviously superior to the previous methods.（实验结果表明，所提方法可以跨多个域生成样式/风格丰富的图像，并明显优于以前的方法。此外，还发布了一个新的动物面孔数据集（AFHQ）。）

1 概要

一个好的图像转换模型应可以学习不同图像域间的映射，同时：1）生成图像多样化；2）在多个域上具有可扩展性。现有方法则无法很好同时解决上述问题。
提出StarGAN v2，一个可同时解决上述问题、并在基线上表现出明显改善效果的单一框架。在CelebAHQ和新的动物面孔数据集（AFHQ）上进行视觉质量、多样性和可扩展性方面验证其有效性。

So let's just look at what's generated：

2 背景

图像转换旨在学习不同视觉域之间的映射。这里，domain表示一组图像，被分组的依据可以是视觉上具有某种属性/类别。而每幅图像有独特的外观，称为样式/风格style。例如，可根据人的性别设置图像域domain，在这种情况下，风格样式包括妆容类别、胡须和发型等。
理想的图像转换方法应能合成：考虑到每个域中的不同风格样式的图像。但设计和学习此类模型会变得很复杂，因为数据集中可能有大量的style和domain。
针对style的多样性，目前已有许多图像转换方法。但这些方法大都仅考虑两个域之间的映射，例如K个域，这些方法需要训练K（K-1）生成器来处理每个域与每个域之间的转换，限制了它们的实际使用。
为此，一些研究提出更具扩展性、统一的框架，StarGAN便是最早的模型之一，它使用一个生成器来学习所有可用域间的映射。生成器将域标签作为附加输入，并将图像转换到相应的域。但StarGAN仍然学习每个域的确定性映射，没有捕获数据分布的多模式；该限制的来由是每个域都由预定标签指示引导。注意到生成器接收固定的标签（例如one-hot向量）作为输入，在给定源图像下，每个域都产生相同输出。

更多的细节还是要看论文和网站：StarGAN第2版：多域多样性图像生成