سوابق شواهد روش

CycleGAN

CycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two discriminators simultaneously, enforcing a cycle-consistency constraint so that an image translated from domain X to Y and back again recovers the original. This makes it applicable whenever large aligned datasets are unavailable, such as converting photographs to artwork styles, turning summer landscapes into winter scenes, or mapping satellite imagery to map tiles.

Sources recorded, not reviewed

سوابق منبع

استنادات عیناً از سوابق منبع روش کپی شده‌اند. هیچ تأیید در سطح ادعا از آن‌ها استنباط نمی‌شود.

CycleGAN (Cycle-Consistent Image Translation)

سوابق روش طبقه‌بندی · ml-model / deep-learning

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

باز کردن روش کامل

ادعاهای گزینش‌شده

ادعاها در دفتر ثبت شواهد ذخیره شده‌اند، هر کدام با ارزیابی خاص خود.

هنوز ادعای گزینش‌شده‌ای وجود ندارد

این نما در صورت عدم وجود ارزیابی ادعا در دفتر ثبت، ادعایی ابداع نمی‌کند.

روش‌های مرتبط

از گراف روش تولید شده و به عنوان روابط پیشنهادی ماشین نمایش داده می‌شود — هیچ ادعای مدرکی استنباط نمی‌شود.

Same method familyGenerative Adversarial Networkmachine-suggested · Relational suggestion, not evidence.Same method familyNeural Style Transfermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketWasserstein GANmachine-suggested · Relational suggestion, not evidence.