Unsupervised Cross-domain Image Generation也称为Domain Transfer Network简称为DTN， 作为较早利用GAN思想实现跨模态图像的生成，对于后期的工作有很好的指导和借鉴。文章巧妙地将模态间的的特征做了处理，使得源域提取的特征在模型 作用下趋于目标域的特征，从而实现模态上的转换。

有条件训练数据集做生成任务需要庞大的标签数据，CGAN和CVAE的思想可以较好的实现条件生成，除了本身的弊端之外。这两种思想训练的模型一旦加入 新的标签数据再来做生成的话，往往需要重新训练模型，这个的代价是很高的。Latent Constraints 在保持原无条件生成网络不变的情况下通过训练潜在变量实现有条件生成，我们一起来读一下。

研一是个信息量特别大的一个学年，研一往往会让你从小白晋升到专业领域的学习者，这么大的信息量当然要有一个好的总结来回顾一下。 一年的时间不算长但是确实可以让我们有一个很好的提升，我将回顾这一个学年的收获和心得，同时分享一下个人在学术上的感悟， 最后展望一下接下来的研二生活。

跨模态之间转换生成在模态间差异大的时候是相对困难的，将一个模态编码得到的潜在变量作为条件在GAN的训练下映射到另一个模态的潜在变量是 Cross Domain Image Generation through Latent Space Exploration with Adversarial Loss 的核心。虽然这篇论文只是预印版，但是文章的这个跨模态潜在变量相互映射的思想是很有启发性的。

VAE在数据编码得到的潜变量表示上很有启发性，可用于从训练数据中学习复杂的概率分布。Adversarial Variational Bayes 对抗变量贝叶斯（AVB）在VAE的基础上引入辅助判别网络（GAN）来实现用任意表达推理模型训练变分自动编码器，从而在VAE和GAN之间建立原则连接。 完善的数学理论依据加强了模型的可解释性，由于这篇论文涉及很多数学推证，如有理解错误请在评论区指出，谢谢！