CycleGAN: Neatkarīga attēlu pārtulkošana ar ciklisko konsekvenci
CycleGAN, ko 2017. gadā ICCV konferencē iepazīstināja Zhu et al., apgūst attēlu pārtulkošanu starp divām vizuālām domēnām, neprasot saskaņotus apmācības piemērus. Tas vienlaicīgi apmāca divus ģeneratorus un divus diskriminatorus, uzspiežot ciklisko konsekvences ierobežojumu, lai attēls, kas pārtulkots no domēnas X uz Y un atpakaļ, atgūtu sākotnējo. Tas padara to piemērojamu visur, kur nav pieejami lieli saskaņoti datu kopumi, piemēram, fotogrāfiju pārvēršanā mākslas stilā, vasaras ainavu pārvēršanā ziemas ainavās vai satelītu attēlu kartēšanā uz kartes flīzēm.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/lv/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.
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Neirālā stilistiskā pārsūtīšanaDziļā mācīšanās↔ compare
- Wasserstein GAN (WGAN)Dziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →