CycleGAN: Tłumaczenie obrazów między domenami bez par z wykorzystaniem spójności cyklicznej
CycleGAN, wprowadzony przez Zhu i wsp. na konferencji ICCV 2017, uczy się tłumaczyć obrazy między dwoma wizualnymi domenami bez konieczności posiadania sparowanych przykładów treningowych. Trenuje jednocześnie dwa generatory i dwa dyskryminatory, wymuszając ograniczenie spójności cyklicznej, tak aby obraz przetłumaczony z domeny X do Y i z powrotem odzyskiwał oryginał. Dzięki temu znajduje zastosowanie wszędzie tam, gdzie brakuje dużych, wyrównanych zbiorów danych, takich jak konwersja fotografii do stylów artystycznych, zamiana letnich krajobrazów na zimowe sceny, czy mapowanie obrazów satelitarnych na kafelki map.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/pl/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.
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Transfer stylu neuronowegoUczenie głębokie↔ compare
- Wasserstein GAN (WGAN)Uczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →