CycleGAN: превод на изображения без двойки чрез циклична съответствие
CycleGAN, представен от Zhu et al. на ICCV 2017, се учи да превежда изображения между две визуални области, без да изисква сдвоени тренировъчни примери. Той тренира едновременно два генератора и два дискриминатора, налагайки ограничение за циклична последователност, така че изображение, преведено от област X към Y и обратно, да възстанови оригинала. Това го прави приложим винаги, когато липсват големи подравнени набори от данни, като например преобразуване на снимки в артистични стилове, превръщане на летни пейзажи в зимни сцени или картографиране на сателитни изображения в плочки на карта.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. IEEE International Conference on Computer Vision (ICCV), 2242–2251. DOI: 10.1109/ICCV.2017.244 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/bg/deep-learning/cyclegan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Генеративна състезателна мрежаДълбоко обучение↔ compare
- Невронен пренос на стилДълбоко обучение↔ compare
- Wasserstein GAN (WGAN)Дълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →