CycleGAN: Uavhengig bilde-til-bilde-oversettelse med syklisk konsistens
CycleGAN, introdusert av Zhu et al. på ICCV 2017, lærer å oversette bilder mellom to visuelle domener uten å kreve parede treningsdata. Den trener to generatorer og to diskriminatorer samtidig, og håndhever en syklisk konsistensbegrensning slik at et bilde oversatt fra domene X til Y og tilbake igjen gjenoppretter originalen. Dette gjør den anvendelig når store, justerte datasett er utilgjengelige, for eksempel ved konvertering av fotografier til kunststiler, forvandling av sommerlandskap til vintersener, eller kartlegging av satellittbilder til kartfliser.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/no/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.
- Generativt motsetningsnettverkDyp læring↔ compare
- Nevral stiloverføringDyp læring↔ compare
- Wasserstein GAN (WGAN)Dyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →