CycleGAN: การแปลภาพต่อภาพแบบไม่จับคู่ด้วยความสอดคล้องแบบวัฏจักร
CycleGAN ซึ่งเปิดตัวโดย Zhu และคณะ ในงาน ICCV 2017 เรียนรู้ที่จะแปลภาพระหว่างสองโดเมนภาพโดยไม่จำเป็นต้องมีตัวอย่างการฝึกอบรมที่จับคู่กัน โดยจะฝึกตัวสร้าง (generators) สองตัวและตัวจำแนก (discriminators) สองตัวพร้อมกัน โดยบังคับใช้ข้อจำกัดความสอดคล้องแบบวัฏจักร (cycle-consistency constraint) เพื่อให้ภาพที่แปลจากโดเมน X ไป Y และย้อนกลับมายัง X สามารถกู้คืนภาพต้นฉบับได้ สิ่งนี้ทำให้สามารถนำไปใช้ได้ทุกเมื่อที่ไม่มีชุดข้อมูลขนาดใหญ่ที่สอดคล้องกัน เช่น การแปลงภาพถ่ายให้เป็นสไตล์งานศิลปะ การเปลี่ยนภาพทิวทัศน์ฤดูร้อนให้เป็นฉากฤดูหนาว หรือการแมปภาพถ่ายดาวเทียมให้เป็นแผนที่
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/th/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.
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- การถ่ายทอดสไตล์ด้วยโครงข่ายประสาทเทียมการเรียนรู้เชิงลึก↔ compare
- Wasserstein GAN (WGAN)การเรียนรู้เชิงลึก↔ compare