算法描述：
（1）模型整体结构：
a. 整体结构类似 CycleGAN/DualGAN/DiscoGAN 模型，并且进行了改进
b. 模型中的包含两个 GAN 模型，并同时进行优化
c. 两个 GAN 当中的生成器 generator 和判别器 discriminator 的结构相同
d. 对每个 GAN 的生成器进行 1 次优化，然后对判别器进行 5 次优化
e. 模型参数使用 xavier initializer 进行初始化
（2）生成器 generator 的结构：
a. 整体结构为 multi-scale 的结构形式
b. 多个尺度的图像块宽度分别为 256 128 64
c. 图像块先经过卷积操作之后再输入到残差块中进行处理
d. 较小的图像块经过上采样后与较大的图像块在通道维度上进行拼接
e. 生成器的初始通道数为 32
（3）判别器 discriminator 结构：
a. 整体结构为图像块 patch 的形式
b. 输入的 tensor 尺寸为 [1, 70, 70, 3]
c. 最终的 feature map 尺寸为 [1, 8, 8, 1]
d. 判别器的初始通道数为 32
（4）模型的损失函数：
a. 两个 GAN 的损失函数具有相同的形式
b. 损失函数类似 WGAN-GP 的形式，并且进行了改写
c. 判别器损失的计算方式不变，在生成器损失中加入 reconstruction loss 项
（5）模型训练策略：
a. 最优化算法采用 tf.train.AdamOptimizer 算法
b. 一次训练会进行 100 个 epoch，每个 epoch 中进行 1000 次迭代
c. 初始学习率为 2e-4，每进行 1 个 epoch 的训练，学习率衰减 2e-6
d. 采用 Group Normalization 进行标准化