Запис на доказателства за метод

CycleGAN

CycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two discriminators simultaneously, enforcing a cycle-consistency constraint so that an image translated from domain X to Y and back again recovers the original. This makes it applicable whenever large aligned datasets are unavailable, such as converting photographs to artwork styles, turning summer landscapes into winter scenes, or mapping satellite imagery to map tiles.

Sources recorded, not reviewed

Изходен запис

Цитиранията са копирани дословно от изходния запис на метода. Те не предполагат проверка на ниво твърдение.

CycleGAN (Cycle-Consistent Image Translation)

Таксономичен запис на метод · ml-model / deep-learning

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

Отвори пълен метод

Подбрани твърдения

Твърденията са запазени в регистъра на доказателствата, всяко със собствена оценка.

Все още няма подбрани твърдения

Този изглед не измисля оценка на твърдение, когато регистърът няма такава.

Свързани методи

Генерирани от графа на методите и показани като предложени от машината връзки — не се предполага твърдение за доказателство.

Same method familyGenerative Adversarial Networkmachine-suggested · Relational suggestion, not evidence.Same method familyNeural Style Transfermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketWasserstein GANmachine-suggested · Relational suggestion, not evidence.