CycleGAN: Uparret billed-til-billed-oversættelse med cyklisk konsistens
CycleGAN, introduceret af Zhu et al. ved ICCV 2017, lærer at oversætte billeder mellem to visuelle domæner uden at kræve parrede træningseksempler. Den træner to generatorer og to diskriminatorer samtidigt og håndhæver en cyklisk konsistenskrav, så et billede oversat fra domæne X til Y og tilbage igen genskaber originalen. Dette gør den anvendelig, når store justerede datasæt ikke er tilgængelige, f.eks. til at konvertere fotografier til kunstværksstile, omdanne sommerlandskaber til vinterscener eller kortlægge satellitbilleder til kortfliser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/da/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.
- Generativ modstridende netværkDyb læring↔ compare
- Neural Style TransferDyb læring↔ compare
- Wasserstein GAN (WGAN)Dyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →