CycleGAN: Prevođenje slike u sliku bez uparivanja uz konzistentnost ciklusa
CycleGAN, koji su predstavili Zhu i sur. na ICCV-u 2017., uči prevoditi slike između dviju vizualnih domena bez potrebe za uparenim primjerima za treniranje. Istodobno trenira dva generatora i dva diskriminatora, namećući ograničenje konzistentnosti ciklusa tako da se slika prevedena iz domene X u Y i natrag ponovno oporavi u izvornu. To ga čini primjenjivim kad god veliki usklađeni skupovi podataka nisu dostupni, kao što je pretvaranje fotografija u umjetničke stilove, pretvaranje ljetnih krajolika u zimske scene ili mapiranje satelitskih snimaka u pločice karte.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/hr/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.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Prijenos stila pomoću neuronskih mrežaDuboko učenje↔ compare
- Wasserstein GAN (WGAN)Duboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →