CycleGAN: переклад зображень без пар із циклічною узгодженістю
CycleGAN, представлений Zhu та ін. на ICCV 2017, навчається перекладати зображення між двома візуальними доменами без необхідності парних навчальних прикладів. Він одночасно навчає два генератори та два дискримінатори, застосовуючи обмеження циклічної узгодженості, щоб зображення, перекладене з домену X до Y і назад, відновлювало оригінал. Це робить його застосовним, коли великі вирівняні набори даних недоступні, наприклад, для перетворення фотографій у стилі мистецтва, перетворення літніх пейзажів на зимові сцени або зіставлення супутникових знімків із плитками карти.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/uk/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.
- Генеративно-змагальна мережаГлибоке навчання↔ compare
- Нейронний перенос стилюГлибоке навчання↔ compare
- Генеративна змагальна мережа Вассерштейна (WGAN)Глибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →