文章目录 摘要发展模型问题描述步骤模型训练机制 代码解析效果 摘要 传统的文本样式转换通常是通过分解隐空间中的内容和风格的方式。这种方式存在如下两种问题： 很难从句子的语义中完全剥离样式信息基于编解码器模式的RNN难以保持长程依赖，导致内容保真度有损 本文提出一种不用隐空间假设，基于注意力机制的模型——Style Transformer，能够较好的保持文本内容，同时很好的转

本文是 cycleGAN 论文《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》的阅读笔记。 论文一上来就给出了该图，从图中可以看到 cycleGAN 可以从源域图像转换为目标域的图像，并保留源域图像的细节，还可以从目标域图像转换回源域图像。 一、摘要 cycleGAN 的主要贡献

[2020ECCV]Contrastive Learning for Unpaired Image-to-Image Translation 对比学习用于无配对图像转换 文章链接：https://arxiv.org/pdf/2007.15651.pdf 代码：GitHub - taesungp/contrastive-unpaired-translation: Contrastive unpai