图像属性交换论文：

GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired Data

github地址：https://github.com/Prinsphield/GeneGAN

论文的主要思想：

通过添加标签信息0,1，代表对应的特征的有无，将所有图片分为两类Ax, Be，对这两类分别用三层卷积层的Encoder进行编码得到特征fA, fx,fB,fe(对最后一层的特征进行切分,比例为3:1)。然后将特征对fA,fe 、fB,fx、 fA,fx、fB,fe输入Decoder，用三层反卷积成进行编码得到生成的图片Ae、Bx、Ax2、Be2。

网络结构

优点

不需要成对的同一个人有和没有相应特征的成对图片进行训练。添加Parallelogram Loss：

使生成图片和源图片的像素均值一致，以实现在两张图片的特征交换，确定特征的形态(比如微笑的程度，眼镜的款式)，解决以往Gan生成特征的随机性问题。

不足

Reconstruction loss 较高，引起训练不稳定及图像质量不高的问题；特征交换效果不好。