CycleGAN: Tradução de Imagens Não Pareadas com Consistência Cíclica
O CycleGAN, introduzido por Zhu et al. na ICCV 2017, aprende a traduzir imagens entre dois domínios visuais sem exigir exemplos de treinamento pareados. Ele treina dois geradores e dois discriminadores simultaneamente, impondo uma restrição de consistência cíclica para que uma imagem traduzida do domínio X para Y e de volta recupere a original. Isso o torna aplicável sempre que grandes conjuntos de dados alinhados não estão disponíveis, como converter fotografias para estilos de arte, transformar paisagens de verão em cenas de inverno ou mapear imagens de satélite para blocos de mapas.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/pt/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.
- Rede Adversarial GenerativaAprendizado profundo↔ compare
- Transferência de Estilo NeuralAprendizado profundo↔ compare
- Wasserstein GAN (WGAN)Aprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →