CycleGAN: Parittomien kuvien välinen käännös syklinmukaisuudella
CycleGAN, jonka Zhu et al. esittelivät ICCV 2017 -konferenssissa, oppii kääntämään kuvia kahden visuaalisen domeenin välillä ilman parillisia harjoitusesimerkkejä. Se kouluttaa kahta generaattoria ja kahta diskriminaattoria samanaikaisesti, pakottaen syklinmukaisuusehdon niin, että kuvasta, joka on käännetty domeenista X domeeniin Y ja takaisin, palautuu alkuperäinen kuva. Tämä tekee siitä soveltuvan aina, kun suuria kohdistettuja aineistoja ei ole saatavilla, kuten valokuvien muuntaminen taideteoksiksi, kesämaisemien muuttaminen talvimaisemiksi tai satelliittikuvien kartoittaminen karttaruuduiksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/fi/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.
- Generatiivinen kilpaileva verkkoSyväoppiminen↔ compare
- Neuraalinen tyylinsiirtoSyväoppiminen↔ compare
- Wasserstein GAN (WGAN)Syväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →