CicloGAN

CycleGAN, abreviatura de "Cycle-Consistent Adversarial Networks", es una técnica de transferencia de imagen a imagen desarrollada por Jun-Yan Zhu, Taesung Park, Phillip Isola y Alexei A. Efros. Se presentó por primera vez en 2017 y es un tipo de red generativa adversarial (GAN) diseñada para aprender mapeos de un dominio de imagen a otro.

En una GAN típica, una red generadora crea nuevas imágenes a partir de un dominio de entrada dado, por ejemplo, fotografías de gatos. Pero los CycleGANs son diferentes porque no requieren imágenes emparejadas. Esto significa que, en lugar de aprender de un conjunto de datos de fotos de gatos y fotos de perros, las imágenes pueden no estar emparejadas. Así, en este ejemplo, una parte de la red podría entrenarse con fotografías de gatos y la otra con dibujos de gatos.

La red se entrena utilizando una pérdida de coherencia cíclica, en la que ambos generadores intentan aproximarse a los resultados del otro. Esta pérdida de coherencia de ciclo tiene dos partes: una parte garantiza que la imagen de un gato se convierta de nuevo en la misma imagen después de pasar por las dos redes, y la otra parte garantiza que la imagen de un dibujo se convierta de nuevo en la misma imagen después de pasar por las dos redes.

El CycleGAN es especialmente útil en espacios de problemas que tienen clases desequilibradas, como imágenes nocturnas y diurnas, pintura y fotos, etc. Este modelo también se utiliza en tareas como la traducción de imagen a imagen y la adaptación de dominios. Incluso se ha utilizado para generar nuevos estilos artísticos de imágenes denominados "superresolución", que pueden emplearse en tareas como el reconocimiento facial y la detección de objetos.

Los CycleGANs han demostrado ser especialmente eficaces para numerosas tareas, como la superresolución no supervisada de una sola imagen, la coloración de imágenes, la transferencia de estilos de imagen, la interpolación de fotogramas de vídeo, la síntesis de imágenes aéreas y la traducción de imagen a imagen.

En última instancia, los CycleGANs son una potente herramienta para la traducción de imagen a imagen, ya que no están supervisados, no requieren modelos preentrenados y son relativamente rápidos cuando se aplican a diferentes tareas. La principal limitación de los CycleGANs es que no son necesariamente estables en lo que respecta tanto a la calidad de imagen como a la velocidad.