Direct Transformation:
直接轉。直接learn 一個generator，input x domain的東西，想辦法轉成y domain的東西
這種做法input output通常不會差距太多，通常是換顏色、材質等等
Projection to Common Space:
autoencoder的概念，把x domain object投影到低維空間，再建構回高維的y domain object
如果要轉換的東西差距很大，就必須使用這招，因為不是改改顏色材質就可以。
GAN Lecture 3 (2018): Unsupervised Conditional Generation
Conditional GAN也可以做unsupervised learning
應用例如給一張風景照，要機器轉換成梵谷的畫風。因為梵谷不可能看過所有風景，所以多數風景照沒有對應的label，因此只能使用unsupervised learning
現今主流的做法有兩種：Direct Transformation與Projection to Common Space
Direct Transformation:
直接轉。直接learn 一個generator，input x domain的東西，想辦法轉成y domain的東西
這種做法input output通常不會差距太多，通常是換顏色、材質等等
Projection to Common Space:
autoencoder的概念，把x domain object投影到低維空間，再建構回高維的y domain object
如果要轉換的東西差距很大，就必須使用這招，因為不是改改顏色材質就可以。
底下會詳細介紹兩種方法
這邊一樣以風景照轉成梵谷畫風為例，我們可以收集到一堆風景照(domain X)與梵谷畫(domain Y)，不過沒有他們之間的關聯性
要讓generator知道給一個x domain要輸出y domain的東西的話，我們需要一個 y domain的discriminator ，這個discriminator看過很多y domain 的 image，所以他可以鑑別他看到的東西是不是 y domain的 image。
再來，只要generator可以想辦法騙過 y domain discrimniator，generator產生出來的image就會像是一張y domain的image
不過這樣會有個問題，如果只是要騙過discriminator的話，generator可以畫一張跟input完全無關的東西（上圖右，input風景，output梵谷自畫像）
因此，我們希望generator可以騙過discriminator的同時，generator的input跟output必須高度相關