CycleGAN: Prevođenje slika između domena bez uparenih primera uz cikličnu konzistentnost
CycleGAN, koji su predstavili Zhu i dr. na ICCV 2017, uči da prevodi slike između dva vizuelna domena bez potrebe za uparenim primerima za obuku. On istovremeno obučava dva generatora i dva diskriminatora, namećući ograničenje ciklične konzistentnosti tako da se slika prevedena iz domena X u Y i nazad ponovo oporavi. Ovo ga čini primenljivim kad god veliki usklađeni skupovi podataka nisu dostupni, kao što je pretvaranje fotografija u umetničke stilove, pretvaranje letnjih pejzaža u zimske scene, ili mapiranje satelitskih snimaka u pločice mapa.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/sr/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.
- Generativna suparnička mrežaDuboko učenje↔ compare
- Невронски пренос стилаDuboko učenje↔ compare
- Wasserstein GAN (WGAN)Duboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →