CycleGAN: непарный перевод изображений в изображения с помощью циклических согласованности
CycleGAN, представленный Zhu et al. на ICCV 2017, учится переводить изображения между двумя визуальными доменами без необходимости использования парных обучающих примеров. Он одновременно обучает два генератора и два дискриминатора, применяя ограничение циклических согласованности, так что изображение, переведенное из домена X в Y и обратно, восстанавливает оригинал. Это делает его применимым везде, где недоступны большие выровненные наборы данных, например, при преобразовании фотографий в художественные стили, превращении летних пейзажей в зимние сцены или сопоставлении спутниковых снимков с фрагментами карт.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/ru/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.
- Генеративно-состязательная сетьГлубокое обучение↔ compare
- Нейросетевая передача стиляГлубокое обучение↔ compare
- Wasserstein GAN (WGAN)Глубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →