参考关于 CycleGAN 的原始论文，我对这条线感到困惑
因此，最优 G 将域 X 转换为与 Y 相同分布的域 Y。然而，这样的转换并不能保证单个输入 x 和输出 y 以有意义的方式配对——有无限多的映射 G 会在 y^ 上产生相同的分布。
我知道有两组图像，它们之间没有配对，所以当生成器拍摄一张图像时，让我们说 X 集中的 x 作为输入并尝试将其转换为类似于 Y 集中图像的图像，那么我的问题是集合 Y 中有很多图像，那么我们的 x 将被翻译成哪个 y？Y 组有很多可用的选项。这就是我在上面写的论文中所指出的吗？这就是我们采用循环损失来克服这个问题并通过将 x 转换为 y 然后将 y 转换回 x 来在任意两个随机图像之间创建某种类型的配对的原因吗？
好吧，图像x不会被转换为具体图像y，而是转换为域 Y 的“样式”。输入被馈送到生成器，它试图从所需的分布（另一个域）生成样本，生成的图像然后进入鉴别器，鉴别器试图预测样本是来自实际分布还是由生成器产生。这只是正常的 GAN 工作流程。
如果我理解正确，在您引用的行中，作者解释了对抗性损失引起的问题。他们在这里再说一遍：
理论上，对抗性训练可以学习映射 G 和 F，它们分别产生与目标域 Y 和 X 相同分布的输出。然而，如果容量足够大，网络可以将相同的输入图像集映射到目标域中图像的任意随机排列，其中任何学习的映射都可以产生与目标分布匹配的输出分布。因此，仅对抗性损失不能保证学习函数可以将单个输入 x_i 映射到所需的输出 y_i。
这是引入循环一致性的概念来产生有意义的映射，减少可能的映射函数的空间（可以看作是正则化的一种形式）的原因之一。这个想法不是在数据集中已经存在的 2 个随机图像之间创建配对（数据集保持未配对），而是要确保，如果您将真实图像从域映射X到域Y然后再返回，您会得到原图回来。
循环一致性鼓励生成器避免不必要的更改，从而生成与输入共享结构相似性的图像，它还可以防止生成器过度产生幻觉和模式崩溃。
我希望这能回答你的问题。