2個の生成器と3個の識別器で構成され、生成器はエンコーダとデコーダの間に正規乱数のノイズを注入し、かつ入力が出力のドメインと同じ場合には恒等変換となるように学習し、識別器のうち1個は、生成器2個のドメイン変換2回と生成器1個の恒等変換との真贋を見破れるようにAdversarial-Consistency損失で学習を行うACL-GANを提案した。

人物からの眼鏡の除去、人物の性別の変換及びアニメへの変換の3種類のタスクで定性評価及び定量評価を行い、従来手法を上回る結果。モデルの表現力に関しても、ICLR 2020採択のU-GAT-ITの軽量版よりも少ないパラメータ数で実現。ただし、Horse-to-Zebraなど「複雑な背景」のデータセットに対しては、まだ上手く変換できないとのこと。

Cycle-Consistency損失の課題に踏み込み、従来手法との比較も十分に行っているため通ったと考えられる。PyTorch実装( https://github.com/hyperplane-lab/ACL-GAN )が公開されている。