follow this video: https://www.youtube.com/watch?v=SuddDSqGRzg&ab_channel=AladdinPersson
paper: https://arxiv.org/pdf/1611.07004.pdf
只讲一下我发现的，与普通GAN的几点差异
区别一: 生成器采用U-Net结构
作者提供了上面的两种选择方案，左边是简单的编码器解码器结构，右边是采用skip-connection（跳跃连接）的结构。每层采用“convolution-BatchNorm-ReLU”的方式进行搭建。
区别二: 判别器的结果是个N x N的Patch，而不是1 x 1
即判别器使用PatchGAN，众所周知（??，L2和L1 loss能准确捕捉低频信息，但不能捕捉高频信息，因此我们的GAN判别器只需要对高频结构建模。
为了对高频图像进行建模，将注意力限制在局部图像块的结构上就够了
具体做法如下：（没懂
原理如下：（还是没懂，马尔科夫随机场？
区别三：生成器加上了L1 loss
效果： 
L1还原低频，cGAN还原高频，合起来就比较完整了。
完整代码：https://github.com/growvv/GAN-Pytorch/tree/main/Pix2Pix