เปรียบเทียบวิธี

	CycleGAN: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักร	การถ่ายทอดสไตล์ด้วยโครงข่ายประสาทเทียม
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2015
ผู้ริเริ่ม	Jun-Yan Zhu et al.	Gatys, L. A.; Ecker, A. S.; Bethge, M.
ประเภท	Unsupervised image-to-image translation	Iterative optimization over CNN feature statistics
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.	Gatys, L. A., Ecker, A. S., & Bethge, M. (2016). Image Style Transfer Using Convolutional Neural Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2414–2423.
ชื่อเรียกอื่น	Cycle-Consistent Adversarial Networks, Unpaired Image-to-Image Translation, Cycle-GAN, Çevrimsel Tutarlı GAN	NST, artistic style transfer, neural artistic style, CNN style transfer
ที่เกี่ยวข้อง	3	3
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.	Neural Style Transfer (NST) is a deep-learning image synthesis technique, introduced by Gatys, Ecker, and Bethge in 2015, that separates the semantic content of one image from the visual texture and artistic style of another, then recombines them into a single synthesized image by iteratively optimizing pixel values to minimize a combined content and style loss computed from the feature maps of a pretrained convolutional neural network.