CycleGAN: Dịch chuyển ảnh giữa các miền không cần cặp dữ liệu bằng tính nhất quán chu trình
CycleGAN, được giới thiệu bởi Zhu và cộng sự tại ICCV 2017, học cách dịch chuyển ảnh giữa hai miền hình ảnh mà không yêu cầu các ví dụ huấn luyện theo cặp. Nó huấn luyện đồng thời hai bộ sinh và hai bộ phân biệt, thực thi ràng buộc nhất quán chu trình để một ảnh được dịch chuyển từ miền X sang Y rồi quay lại phục hồi ảnh gốc. Điều này làm cho nó có thể áp dụng bất cứ khi nào thiếu các tập dữ liệu căn chỉnh lớn, chẳng hạn như chuyển đổi ảnh chụp thành phong cách nghệ thuật, biến cảnh quan mùa hè thành cảnh mùa đông, hoặc ánh xạ ảnh vệ tinh thành các ô bản đồ.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 2). CycleGAN (Cycle-Consistent Image Translation). ScholarGate. https://scholargate.app/vi/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.
- Generative Adversarial NetworkHọc sâu↔ compare
- Chuyển đổi kiểu dáng thần kinhHọc sâu↔ compare
- Wasserstein GAN (WGAN)Học sâu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →