2．2 损失函数
卡通图像具有锐利边缘，顺滑的色彩偏差，纹理也相对简单，所以作者定义了新的loss来完成这个需求。
作者提出了损失函数L（G，D），由两部分组成，第一部分为普通的GAN损失，第二部分为保证原真实图像内容的内容损失，如公式所示：
可以看到公式②中比普通GAN损失多加了一个，也就多了一个数据集。那这个数据集怎么来的，它是通过对原始卡通图像进行边缘模糊后得到的（边缘模糊图片见图2－2，左边为原图，右边位边缘模糊图），目的是为了让生成网络G生成边缘清晰的图片，所以判别为假数据。而公式③中的就是Neural Style（风格迁移）里面的内容损失，只不过把L2损失改为L1损失，在这里我们可以看成是一个正则化。
图2－2清晰动漫图（左）、边缘模糊图（右）
2．3 初始化技巧
作者引入一个初始化技巧，用公式③中的损失先来单独训练G，大概训练10个epoch。这样做的目的是为了生成的图片初始后就能保证原真实场景的内容，因为普通的单向GAN要是没有加入一些限制很难稳定保证原始图片的内容，大多会出现扭曲或更严重的情况。
3．总结
经过上述的技术细节来训练CartoonGAN，就可以将现实的场景完美的转换成漫画风格。
最后，我们就来欣赏一些漂亮的转换结果。
