DistanceGAN

无需配对数据，保持图像结构做风格迁移

DistanceGAN 是论文《One-Sided Unsupervised Domain Mapping》（NIPS 2017）的 PyTorch 实现，用于无监督图像域映射。它解决传统 GAN 在无配对数据下难以保持图像几何结构的问题，通过引入距离保持损失，约束源域和目标域内样本间的相对距离在映射前后保持一致，从而在无需成对样本的情况下实现图像风格迁移、形状变换等任务。核心能力包括：支持单侧映射（只需一个生成器）、距离一致性约束、多尺度结构保持，以及基于 PyTorch 的简洁实现。项目代码结构清晰，适合作为无监督域映射和 GAN 学习的研究参考。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 194

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队sagiebenaim

所属国家

官网地址

GitHubhttps://github.com/sagiebenaim/DistanceGAN

定价模式free

价格说明开源项目，基于PyTorch实现，可自行部署使用，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型computer-vision,computer-vision-ai,deep-learning,gan,image-generation,image-manipulation,pytorch,unsupervised-learning

GitHub 星标★ 194

30天Star增速

HF 下载量

上线时间2017-06-02 00:00:00

最近更新2026-09-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

提出距离保持损失，有效缓解无监督域映射中的结构失真问题
单侧映射设计，训练更简单，收敛更稳定
PyTorch 实现，代码简洁，易于复现和二次开发

不足之处

文档较少，仅有 README 基础说明，缺乏详细使用指南
项目维护不活跃，依赖旧版 PyTorch，可能需适配新环境

适用场景

无配对数据的图像风格迁移（如照片转油画）
跨域图像生成，保持物体形状不变（如马转斑马）
学术研究：无监督域映射算法对比与改进

替代项目

CycleGAN、UNIT、MUNIT

项目介绍

DistanceGAN 是图像领域的开源项目，由 sagiebenaim 开发，2017 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 194。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-20。基于PyTorch实现，可自行部署使用，完全免费。

它主要面向的使用场景是：无配对数据的图像风格迁移（如照片转油画）。同类可对比的替代方案包括 CycleGAN、UNIT、MUNIT。

上一篇：neurips18_hierchical_image_manipulation

下一篇：VAE-for-Image-Generation