CycleGAN

CycleGAN، وهو اختصار لـ "Cycle-Consistent Adversarial Networks"، هي تقنية نقل من صورة إلى صورة تم تطويرها بواسطة Jun-Yan Zhu، وTaesung Park، وPhillip Isola، وAlexei A. Efros. تم تقديمها لأول مرة في عام 2017 وهي نوع من شبكة الخصومة التوليدية (GAN) المصممة لتعلم التعيينات من مجال صورة إلى آخر.

في شبكة GAN النموذجية، تقوم شبكة المولدات بإنشاء صور جديدة من مجال إدخال معين، على سبيل المثال، صور القطط. لكن CycleGANs مختلفة من حيث أنها لا تتطلب صورًا مقترنة. وهذا يعني أنه بدلاً من التعلم من مجموعة بيانات صور القطط وصور الكلاب، يمكن إلغاء إقران الصور. لذلك، في هذا المثال، قد يتم تدريب جزء واحد من الشبكة على صور القطط والجزء الآخر على رسومات القطط.

يتم تدريب الشبكة باستخدام فقدان اتساق الدورة، حيث يحاول كلا المولدين تقريب مخرجات بعضهما البعض. تتكون خسارة اتساق الدورة هذه من جزأين - جزء واحد يضمن أن صورة القطة يجب أن يتم تحويلها مرة أخرى إلى نفس الصورة بعد المرور عبر الشبكتين، والجزء الآخر يضمن أن صورة الرسم يجب أن يتم تحويلها مرة أخرى إلى الصورة نفسها. نفس الصورة بعد المرور عبر الشبكتين.

يعد CycleGAN مفيدًا بشكل خاص في مساحات المشكلات التي تحتوي على فئات غير متوازنة مثل الصور الليلية والنهارية والرسم والصور وما إلى ذلك. ويستخدم هذا النموذج أيضًا في مهام مثل ترجمة صورة إلى صورة وتكييف المجال. حتى أنه تم استخدامه لإنشاء أنماط فنية جديدة من الصور تسمى "الدقة الفائقة"، والتي يمكن استخدامها لمهام مثل التعرف على الوجه واكتشاف الأشياء.

لقد ثبت أن CycleGANs فعالة بشكل خاص في العديد من المهام مثل الدقة الفائقة لصورة واحدة غير خاضعة للرقابة، وتلوين الصورة، ونقل نمط الصورة، واستيفاء إطار الفيديو، وتوليف الصور الجوية، والترجمة من صورة إلى صورة.

في نهاية المطاف، تعد CycleGANs أداة قوية للترجمة من صورة إلى صورة، لأنها غير خاضعة للرقابة، ولا تتطلب نماذج مدربة مسبقًا، كما أنها سريعة نسبيًا عند تطبيقها على مهام مختلفة. يتمثل القيد الأساسي لشبكات CycleGAN في أنها ليست بالضرورة مستقرة فيما يتعلق بجودة الصورة وسرعتها.