サイクルガン

CycleGAN は「Cycle-Consistent Adversarial Networks」の略称で、Jun-Yan Zhu、Taesung Park、Phillip Isola、Alexei A. Efros によって開発された画像間転送技術です。これは 2017 年に初めて発表され、ある画像ドメインから別の画像ドメインへのマッピングを学習するように設計された敵対的生成ネットワーク (GAN) の一種です。

一般的な GAN では、ジェネレーター ネットワークが、指定された入力ドメインから新しい画像 (猫の写真など) を作成します。ただし、CycleGAN はペア画像を必要としない点が異なります。これは、猫の写真と犬の写真のデータセットから学習する代わりに、画像のペアを解除できることを意味します。したがって、この例では、ネットワークの一部は猫の写真でトレーニングされ、他の部分は猫の絵でトレーニングされる可能性があります。

ネットワークは、両方のジェネレーターが互いの出力を近似しようとするサイクル一貫性損失を使用してトレーニングされます。このサイクル一貫性の損失には 2 つの部分があります。1 つの部分では、猫の画像が 2 つのネットワークを通過した後に同じ画像に変換されて戻されることが保証され、もう 1 つの部分では、図面の画像が確実に元の画像に変換される必要があります。 2 つのネットワークを通過した後の同じ画像。

CycleGAN は、夜と昼の画像、絵画、写真などの不均衡なクラスを持つ問題空間で特に役立ちます。このモデルは、画像間の変換やドメイン適応などのタスクにも使用されます。 「超解像度」と呼ばれる新しい芸術的なスタイルの画像を生成するためにも使用されており、顔認識や物体検出などのタスクに使用できます。

CycleGAN は、教師なし単一画像の超解像度、画像のカラー化、画像スタイルの転送、ビデオ フレーム補間、空中画像合成、画像間の変換などの数多くのタスクに特に効果的であることが示されています。

最終的に、CycleGAN は教師なしで事前トレーニングされたモデルを必要とせず、さまざまなタスクに適用した場合に比較的高速であるため、画像間の変換のための強力なツールです。 CycleGAN の主な制限は、画質と速度の両方に関して必ずしも安定しているわけではないことです。