سایکلگن (CycleGAN): ترجمه تصویر به تصویر بدون جفت با سازگاری چرخهای
سایکلگن، که توسط جو و همکاران در ICCV 2017 معرفی شد، یاد میگیرد تصاویر را بین دو حوزه بصری ترجمه کند بدون اینکه به نمونههای آموزشی جفتشده نیاز داشته باشد. این روش دو مولد و دو تفکیکگر را به طور همزمان آموزش میدهد و یک قید سازگاری چرخهای را اجباری میکند تا تصویری که از حوزه X به Y ترجمه شده و دوباره بازگردانده میشود، تصویر اصلی را بازیابی کند. این امر آن را در هر کجا که مجموعه دادههای بزرگ همتراز در دسترس نباشد، قابل استفاده میسازد، مانند تبدیل عکسها به سبکهای هنری، تبدیل مناظر تابستانی به صحنههای زمستانی، یا نگاشت تصاویر ماهوارهای به کاشیهای نقشه.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/fa/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.
- شبکه مولد تخاصمییادگیری عمیق↔ compare
- انتقال سبک عصبییادگیری عمیق↔ compare
- Wasserstein GAN (WGAN)یادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →