CycleGAN: Ongepaarde Beeld-naar-Beeldvertaling met Cyclusconsistentie
CycleGAN, geïntroduceerd door Zhu et al. op ICCV 2017, leert beelden te vertalen tussen twee visuele domeinen zonder dat er gepaarde trainingsvoorbeelden nodig zijn. Het traint gelijktijdig twee generatoren en twee discriminatoren, waarbij een cyclusconsistentiebeperking wordt afgedwongen zodat een beeld dat van domein X naar Y is vertaald en weer terug, het origineel herstelt. Dit maakt het toepasbaar wanneer grote uitgelijnde datasets niet beschikbaar zijn, zoals het omzetten van foto's naar kunststijlen, het veranderen van zomerlandschappen in wintertaferelen, of het mappen van satellietbeelden naar kaarttegels.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/nl/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.
- Generatief Adversarieel NetwerkDeep learning↔ compare
- Neural Style TransferDeep learning↔ compare
- Wasserstein GAN (WGAN)Deep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →