CycleGAN: Bild-zu-Bild-Übersetzung ohne gepaarte Trainingsdaten mittels Zykluskonsistenz
CycleGAN, vorgestellt von Zhu et al. auf der ICCV 2017, lernt, Bilder zwischen zwei visuellen Domänen zu übersetzen, ohne dass gepaarte Trainingsbeispiele erforderlich sind. Es trainiert gleichzeitig zwei Generatoren und zwei Diskriminatoren und erzwingt eine Zykluskonsistenzbedingung, sodass ein von Domäne X nach Y übersetztes und wieder zurückgeführtes Bild das Original wiedergewinnt. Dies macht es anwendbar, wann immer große, ausgerichtete Datensätze nicht verfügbar sind, wie z. B. bei der Umwandlung von Fotografien in Kunststile, der Verwandlung von Sommerlandschaften in Winterszenen oder der Abbildung von Satellitenbildern auf Kartenkacheln.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/de/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 NetworkDeep Learning↔ compare
- Neuronale StilübertragungDeep Learning↔ compare
- Wasserstein GAN (WGAN)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →