CycleGAN: Traducció d'imatges no aparellades amb consistència de cicle
CycleGAN, introduït per Zhu et al. a ICCV 2017, aprèn a traduir imatges entre dos dominis visuals sense necessitar exemples d'entrenament aparellats. Entrena dos generadors i dos discriminadors simultàniament, imposant una restricció de consistència de cicle de manera que una imatge traduïda del domini X al Y i de tornada recupera l'original. Això el fa aplicable sempre que no hi hagi conjunts de dades alineats grans, com ara convertir fotografies a estils artístics, transformar paisatges d'estiu en escenes d'hivern, o mapejar imatges de satèl·lit a fitxes de mapes.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/ca/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.
- Generative Adversarial NetworkAprenentatge profund↔ compare
- Transferència de estil neuronalAprenentatge profund↔ compare
- Wasserstein GAN (WGAN)Aprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →