Pix2Pix模型解決了有Pair對數據的圖像翻譯問題；CycleGAN解決了Unpaired數據下的圖像翻譯問題。但無論是Pix2Pix還是CycleGAN，都是解決了一對一的問題，即一個領域到另一個領域的轉換。當有很多領域要轉換了，對於每一個領域轉換，都需要重新訓練一個模型去解決。這樣的行為太低效了。本文所介紹的StarGAN就是將多領域轉換用統一框架實現的算法。
下圖是StarGAN的效果，在同一種模型下，可以做多個圖像翻譯任務，比如更換頭髮顏色，更換表情，更換年齡等。
StarGAN，顧名思義，就是星形網絡結構，在StarGAN中，生成網絡G被實現成星形。如下圖所示，左側為普通的Pix2Pix模型要訓練多對多模型時的做法，而右側則是StarGAN的做法，可以看到，StarGAN僅僅需要一個G來學習所有領域對之間的轉換。
要想讓G擁有學習多個領域轉換的能力，需要對生成網絡G和判別網絡D做如下改動。
在G的輸入中添加目標領域信息，即把圖片翻譯到哪個領域這個信息告訴生成模型。
D除了具有判斷圖片是否真實的功能外，還要有判斷圖片屬於哪個類別的能力。這樣可以保證G中同樣的輸入圖像，隨著目標領域的不同生成不同的效果
除了上述兩樣以外，還需要保證圖像翻譯過程中圖像內容要保存，只改變領域差異的那部分。圖像重建可以完整這一部分，圖像重建即將圖像翻譯從領域A翻譯到領域B，再翻譯回來，不會發生變化。
D的訓練和G的訓練如下所示。
對D訓練
（a）D對真假圖片進行判別，真圖片判真，假圖片判假，真圖片被分類到相應域對G訓練
（b）真圖片+目的標籤c進入G生成假圖片
（c）假圖片+原始標籤c撇進入G又回去生成重構圖片（重構loss）
（d）D對假圖片進行判別，判假圖片為真
其次是類別損失，該損失被分成兩個，訓練D的時候，使用真實圖像在原始領域進行，訓練G的時候，使用生成的圖像在目標領域進行。
訓練D的損失：
再次則是重建函數，重建函數與CycleGAN中的正向函數類似。
在多數據集下訓練StarGAN存在一個問題，那就是數據集之間的類別可能是不相交的，但內容可能是相交的。比如CelebA數據集合RaFD數據集，前者擁有很多膚色，年齡之類的類別。而後者擁有的是表情的類別。但前者的圖像很多也是有表情的，這就導致前一類的圖像在後一類的標記是不可知的。
為了解決這個問題，在模型輸入中加入了Mask，即如果來源於數據集B，那麼將數據集A中的標記全部設為0。
1、CelebA：
CelebFaces Attributes (CelebA) dataset，有202599張人臉，作者對圖片進行了檢測，還使用以下屬性構建了七個domian：頭髮的顏色（黑色，金色，棕色），性別（男/女）、年齡（年輕/老）。
2、RaFD：
The Radboud Faces Database (RaFD) 由67個參與者收集的4824幅圖像組成，裡面有各種表情數據增強方面作者用水平翻轉，為了彌補數據的不足，當使用RaFD訓練時，作者以0.0001的學習率訓練所有模型100個周期，並在接下來的100個周期應用相同的衰減策略
比較對象：DIAT ，CycleGAN還有IcGAN
標籤c掩碼向量的設計，實現多數據集（掩碼m表示）多特徵（多條件GAN）訓練。