Metodin todisteiden tietue

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

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

CycleGAN (Cycle-Consistent Image Translation)

Taksonominen metoditietue · 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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

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.