SiklusGAN

CycleGAN, singkatan dari “Cycle-Consistent Adversarial Networks,” adalah teknik transfer gambar-ke-gambar yang dikembangkan oleh Jun-Yan Zhu, Taesung Park, Phillip Isola, dan Alexei A. Efros. Ini pertama kali diperkenalkan pada tahun 2017 dan merupakan jenis jaringan permusuhan generatif (GAN) yang dirancang untuk mempelajari pemetaan dari satu domain gambar ke domain gambar lainnya.

Dalam GAN pada umumnya, jaringan generator membuat gambar baru dari domain masukan tertentu, misalnya foto kucing. Namun CycleGAN berbeda karena tidak memerlukan gambar berpasangan. Artinya, alih-alih belajar dari kumpulan data foto kucing dan foto anjing, gambar tersebut bisa saja tidak dipasangkan. Jadi, dalam contoh ini, satu bagian dari jaringan mungkin dilatih tentang foto kucing dan bagian lainnya tentang gambar kucing.

Jaringan dilatih menggunakan kehilangan konsistensi siklus, dengan kedua generator mencoba memperkirakan keluaran masing-masing. Hilangnya konsistensi siklus ini memiliki dua bagian – satu bagian memastikan bahwa gambar kucing harus dikonversi kembali ke gambar yang sama setelah melalui dua jaringan, dan bagian lainnya memastikan bahwa gambar dari suatu gambar harus dikonversi kembali ke gambar. gambar yang sama setelah melalui dua jaringan.

CycleGAN sangat berguna dalam ruang masalah yang memiliki kelas yang tidak seimbang seperti gambar siang dan malam, lukisan dan foto, dll. Model ini juga digunakan dalam tugas-tugas seperti terjemahan gambar-ke-gambar dan adaptasi domain. Bahkan telah digunakan untuk menghasilkan gaya gambar artistik baru yang disebut “resolusi super”, yang dapat digunakan untuk tugas-tugas seperti pengenalan wajah dan deteksi objek.

CycleGAN telah terbukti sangat efektif untuk berbagai tugas seperti resolusi super gambar tunggal tanpa pengawasan, pewarnaan gambar, transfer gaya gambar, interpolasi bingkai video, sintesis gambar udara, dan terjemahan gambar-ke-gambar.

Pada akhirnya, CycleGAN adalah alat yang ampuh untuk terjemahan gambar-ke-gambar, karena tidak diawasi, tidak memerlukan model terlatih, dan relatif cepat ketika diterapkan pada tugas yang berbeda. Keterbatasan utama CycleGAN adalah bahwa mereka belum tentu stabil dalam hal kualitas dan kecepatan gambar.