CycleGAN: Párosítatlan Kép-Kép Fordítás Cikluskonzisztenciával
A Zhu et al. által az ICCV 2017-ben bemutatott CycleGAN megtanul képeket fordítani két vizuális tartomány között anélkül, hogy párosított tanítási példákra lenne szükség. Két generátort és két diszkriminátort képez egyidejűleg, kikényszerítve egy ciklus-konzisztencia megszorítást, így egy X tartományból Y-ba, majd visszafordított kép helyreállítja az eredetit. Ez alkalmassá teszi bármikor, amikor nagy, igazított adathalmazok nem állnak rendelkezésre, mint például fényképek művészeti stílusokká alakítása, nyári tájak téli jelenetekké változtatása, vagy műholdfelvételek térképcsempékké való leképezése.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/hu/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.
- Generative Adversarial NetworkMélytanulás↔ compare
- Neuronális stílustranszferMélytanulás↔ compare
- Wasserstein GAN (WGAN)Mélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →