CycleGAN : traduction d'images sans appariement par cohérence cyclique

CycleGAN, introduit par Zhu et al. à l'ICCV 2017, apprend à traduire des images entre deux domaines visuels sans nécessiter d'exemples d'entraînement appariés. Il entraîne simultanément deux générateurs et deux discriminateurs, en imposant une contrainte de cohérence cyclique de sorte qu'une image traduite du domaine X vers Y et retour retrouve l'original. Cela le rend applicable chaque fois que de grands ensembles de données alignés sont indisponibles, comme la conversion de photographies en styles artistiques, la transformation de paysages d'été en scènes d'hiver, ou la cartographie d'imagerie satellite en tuiles de carte.