CycleGAN: Terjemahan Imej-ke-Imej Tanpa Pasangan dengan Konsistensi Kitaran
CycleGAN, diperkenalkan oleh Zhu et al. di ICCV 2017, belajar menterjemahkan imej antara dua domain visual tanpa memerlukan contoh latihan berpasangan. Ia melatih dua penjana dan dua diskriminator secara serentak, menguatkuasakan kekangan konsistensi kitaran supaya imej yang diterjemahkan dari domain X ke Y dan kembali semula memulihkan imej asal. Ini menjadikannya boleh digunakan apabila set data selaras yang besar tidak tersedia, seperti menukar foto kepada gaya seni, mengubah landskap musim panas kepada pemandangan musim sejuk, atau memetakan citra satelit kepada jubin peta.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/ms/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.
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Pemindahan Gaya NeuralPembelajaran Mendalam↔ compare
- Wasserstein GAN (WGAN)Pembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →