可以看到，猫变狗，单车变摩托了。效果看上去有点尴尬，但毕竟是初步效果是有了。
但这篇论文的主要贡献是提出了一个“Contrast distance”。

主要思想

我要从小猫变小狗，变的小狗与真实像狗要像，但是到底像到什么程度呢？输入是猫，那么起码生成的小狗，与真实的小狗的相像程度，要大于与其输入的猫的相像程度吧。其实就是一个triple loss的思想。我们要想生成的是狗，希望生成的狗输入真实狗的那一类，那么这两只狗的距离，肯定要小于生成的狗与输入的猫的距离。因为狗与猫是不同类，他们的距离属于类间距离。所以这种”Contrast distance”就相当于类间距离大于类内距离。

损失

对于G来说就有三个损失，除了最简单的 重建损失，还有GAN损失（用LSGAN来让稳定性高点），最后就是这里的重点 对比损失了。比较简单的就是下面这样写：

因为我们要比较的距离不是直接在raw image上进行比较，起码是semantic上的距离吧。所以就用一个Dcy来提取语义信息，并在特征上进行约束。为了避免模式塌陷，用f¯y，即抽取多张真实的狗图，提取特征再取个平均，而不是任意抽一张。
那么距离的具体定义：

可以看到，如果∥fy′−fy¯∥2 比∥fy′−fx∥2 小的越多，那么Q值就越小。所以G就最小化Q，而Dcy就最大Q就行。

值得注意的是，这里只需要用一个cycle网络就行。原因就是因为加了Q约束。

隐藏层加类别选择的方法

这个还是挺常用的，就是你如果要进行对G加入一定的条件，比如这里是要求让G生成狗，那么你在latent representation中直接加入“one-hot”类型的特征就行。不过如果是在隐藏层特征中加入“标签”，比如这里 1*64的被扩展成 16*16*64。当然不能胡乱扩展，扩展方式是，每个spaital size的点，都有one-hot这么多通道。可以这样理解，对于每个点来说，64个通道，只有一个值是1，其余全部为0。相当于这个点是被赋予了“狗”的标签。扩展的16*16*64, 每次只有一个面（假设是第3个）是1，其余63个面全为0。经过网络训练后，会自动认为第3个通道面为1的话，就专门提取一些有助于变成狗的特征。（以后有更好的解释再补充吧。。）其实这在很多地方都这样弄，比如Generative Adversarial Text to Image Synthesis， 在D的隐藏层也是这样加入类别选择的。