เปรียบเทียบวิธี

	CycleGAN: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักร	แบบจำลองการแพร่ (Diffusion Model)
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2020
ผู้ริเริ่ม	Jun-Yan Zhu et al.	Ho, J., Jain, A. & Abbeel, P.
ประเภท	Unsupervised image-to-image translation	Generative deep learning (denoising diffusion)
แหล่งต้นตำรับ	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.	Ho, J., Jain, A. & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. NeurIPS.
ชื่อเรียกอื่น	Cycle-Consistent Adversarial Networks, Unpaired Image-to-Image Translation, Cycle-GAN, Çevrimsel Tutarlı GAN	Difüzyon Modeli (DDPM / Stable Diffusion), difüzyon modeli, denoising diffusion model, DDPM
ที่เกี่ยวข้อง	3	4
สรุป	CycleGAN, introduced by Zhu et al. at ICCV 2017, learns to translate images between two visual domains without requiring paired training examples. It trains two generators and two discriminators simultaneously, enforcing a cycle-consistency constraint so that an image translated from domain X to Y and back again recovers the original. This makes it applicable whenever large aligned datasets are unavailable, such as converting photographs to artwork styles, turning summer landscapes into winter scenes, or mapping satellite imagery to map tiles.	A diffusion model is a generative deep-learning method, introduced by Ho, Jain and Abbeel in 2020 (DDPM), that learns to produce high-quality images, audio and molecular structures by reversing a step-by-step noising process. It has largely displaced GANs as the current state of the art in generative modelling.