Machine learningGenerative models
CycleGAN：サイクル整合性を用いたペアなし画像間翻訳
ZhuらによってICCV 2017で発表されたCycleGANは、ペアとなる訓練例を必要とせずに、2つの視覚領域間の画像を翻訳することを学習する。これは2つの生成器と2つの識別器を同時に訓練し、サイクル整合性制約を強制することで、領域XからYへ翻訳された画像が元に戻ると元の画像が復元されるようにする。これにより、大規模なアライメント済みデータセットが入手できない場合、例えば写真のスタイルを芸術作品に変換したり、夏の風景を冬のシーンに変えたり、衛星画像を地図タイルにマッピングしたりする場合に適用可能となる。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/ja/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 Network深層学習↔ compare
- ニューラルスタイル変換深層学習↔ compare
- Wasserstein GAN (WGAN)深層学習↔ compare