CycleGAN: Oparad bild-till-bild-översättning med cykelkonsistens
CycleGAN, introducerat av Zhu et al. vid ICCV 2017, lär sig att översätta bilder mellan två visuella domäner utan att kräva parade träningsexempel. Det tränar två generatorer och två diskriminatorer samtidigt, och upprätthåller en cykelkonsistensbegränsning så att en bild som översatts från domän X till Y och tillbaka igen återställer originalet. Detta gör det tillämpligt när stora anpassade dataset saknas, såsom att konvertera fotografier till konststilar, förvandla sommarlandskap till vinterscener, eller mappa satellitbilder till kartbrickor.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/sv/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 antagonistiskt nätverkDjupinlärning↔ compare
- Neural Style TransferDjupinlärning↔ compare
- Wasserstein GAN (WGAN)Djupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →