略读了新发布的基于GAN方法的ReID工作，Unity Style Transfer for Person Re-Identification，该文章提出了统一风格适应方法(UnityStyle adaption method)，用于ReID相机风格的迁移，对每个相机，产生形状稳定的样式统一图像。
如上图，使用UnityGAN之后，原本和query图像风格不一样的gallery图片变成了和query一样相机风格的图片。
如上，直接对标CycleGAN，UnityGAN能够稳定产出无错误的，风格转换更好的图片，
生成器结构图如上，IN为Instance Normalization，文章基于IN和BN重新设计了ResBlock，并以此设计了UnityGAN。
如上图，CycleGAN每个样本都需要多次样式转移才能生成不同的样式样本，UnityGAN每个样本仅需要一次样式转换即可生成统一的样式样本。
如上图，在训练时，UnityGAN使用所有相机样式的图片进行训练，在生成中，UnityGAN为每个图像生成UnityStyle。
试验在两个benchmark数据集上进行，可以在SOTA方法上再得到(一点点)提高。
如下图，从上到下依次为真实图像，由UnityGAN生成的不带注意力模块的图像，和UnityStyle图像。 使用注意力模块，模型可以生成样式稳定的图像。深色图像（红色框）在外观上得到了增强，并且UnityStyle生成的图像具有统一的样式和照明。
分离试验如下：
