CycleGAN: obrazové převody mezi doménami bez párových dat s využitím cyklické konzistence
CycleGAN, představený Zhu et al. na konferenci ICCV 2017, se učí převádět obrazy mezi dvěma vizuálními doménami bez nutnosti párových trénovacích příkladů. Současně trénuje dva generátory a dva diskriminátory, přičemž vynucuje omezení cyklické konzistence tak, aby obraz převedený z domény X do Y a zpět obnovil původní obraz. To jej činí použitelným kdykoli, kdy nejsou k dispozici velké zarovnané datové sady, například při převodu fotografií do uměleckých stylů, přeměně letních krajin na zimní scény nebo mapování satelitních snímků na dlaždice map.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/cs/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.
- Generativní adversariální síťHluboké učení↔ compare
- Přenos stylu pomocí neuronových sítíHluboké učení↔ compare
- Wasserstein GAN (WGAN)Hluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →