സൈക്കിൾഗാൻ

"സൈക്കിൾ-കോൺസിസ്റ്റന്റ് അഡ്‌വേഴ്സറിയൽ നെറ്റ്‌വർക്കുകൾ" എന്നതിന്റെ ചുരുക്കെഴുത്തായ സൈക്കിൾഗാൻ, ജൂൺ-യാൻ സു, ടേസങ് പാർക്ക്, ഫിലിപ്പ് ഐസോള, അലക്സി എ. എഫ്രോസ് എന്നിവർ വികസിപ്പിച്ചെടുത്ത ഇമേജ്-ടു-ഇമേജ് ട്രാൻസ്ഫർ ടെക്നിക്കാണ്. ഇത് ആദ്യമായി അവതരിപ്പിച്ചത് 2017-ലാണ്, ഒരു ഇമേജ് ഡൊമെയ്‌നിൽ നിന്ന് മറ്റൊന്നിലേക്ക് മാപ്പിംഗ് പഠിക്കാൻ രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന ഒരു തരം ജനറേറ്റീവ് അഡ്‌വേർസേറിയൽ നെറ്റ്‌വർക്ക് (GAN) ആണ്.

ഒരു സാധാരണ GAN-ൽ, ഒരു ജനറേറ്റർ നെറ്റ്‌വർക്ക് നൽകിയിരിക്കുന്ന ഇൻപുട്ട് ഡൊമെയ്‌നിൽ നിന്ന് പുതിയ ചിത്രങ്ങൾ സൃഷ്ടിക്കുന്നു, ഉദാഹരണത്തിന്, പൂച്ചകളുടെ ഫോട്ടോഗ്രാഫുകൾ. എന്നാൽ ജോടിയാക്കിയ ചിത്രങ്ങൾ ആവശ്യമില്ലാത്തതിനാൽ സൈക്കിൾഗാനുകൾ വ്യത്യസ്തമാണ്. ഇതിനർത്ഥം, പൂച്ചകളുടെ ഫോട്ടോകളുടെയും നായ്ക്കളുടെ ഫോട്ടോകളുടെയും ഡാറ്റാസെറ്റിൽ നിന്ന് പഠിക്കുന്നതിനുപകരം, ചിത്രങ്ങൾ ജോടിയാക്കാൻ കഴിയില്ല. അതിനാൽ, ഈ ഉദാഹരണത്തിൽ, നെറ്റ്‌വർക്കിന്റെ ഒരു ഭാഗം പൂച്ചകളുടെ ഫോട്ടോഗ്രാഫുകളിലും മറ്റേ ഭാഗം പൂച്ചകളുടെ ചിത്രങ്ങളിലും പരിശീലിപ്പിച്ചേക്കാം.

രണ്ട് ജനറേറ്ററുകളും പരസ്‌പരം ഔട്ട്‌പുട്ടുകൾ കണക്കാക്കാൻ ശ്രമിക്കുന്നതിനാൽ, ഒരു സൈക്കിൾ-കൺസിസ്റ്റൻസി നഷ്ടം ഉപയോഗിച്ചാണ് നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കുന്നത്. ഈ സൈക്കിൾ-സ്ഥിരത നഷ്ടത്തിന് രണ്ട് ഭാഗങ്ങളുണ്ട് - ഒരു ഭാഗം രണ്ട് നെറ്റ്‌വർക്കുകളിലൂടെ കടന്നുപോയ ശേഷം പൂച്ചയുടെ ചിത്രം അതേ ചിത്രത്തിലേക്ക് പരിവർത്തനം ചെയ്യണമെന്ന് ഉറപ്പാക്കുന്നു, മറ്റൊരു ഭാഗം ഒരു ഡ്രോയിംഗിന്റെ ചിത്രം തിരികെ പരിവർത്തനം ചെയ്യണമെന്ന് ഉറപ്പാക്കുന്നു. രണ്ട് നെറ്റ്‌വർക്കുകളിലൂടെ കടന്നുപോയതിന് ശേഷം ഒരേ ചിത്രം.

രാത്രിയും പകലും ചിത്രങ്ങൾ, പെയിന്റിംഗ്, ഫോട്ടോകൾ തുടങ്ങിയ അസന്തുലിതമായ ക്ലാസുകളുള്ള പ്രശ്ന ഇടങ്ങളിൽ CycleGAN പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്. ഇമേജ്-ടു-ഇമേജ് വിവർത്തനം, ഡൊമെയ്ൻ അഡാപ്റ്റേഷൻ തുടങ്ങിയ ജോലികളിലും ഈ മോഡൽ ഉപയോഗിക്കുന്നു. "സൂപ്പർ റെസല്യൂഷൻ" എന്ന് വിളിക്കപ്പെടുന്ന ചിത്രങ്ങളുടെ പുതിയ കലാപരമായ ശൈലികൾ സൃഷ്ടിക്കാൻ പോലും ഇത് ഉപയോഗിച്ചിട്ടുണ്ട്, ഇത് മുഖം തിരിച്ചറിയൽ, ഒബ്ജക്റ്റ് കണ്ടെത്തൽ തുടങ്ങിയ ജോലികൾക്കായി ഉപയോഗിക്കാം.

മേൽനോട്ടമില്ലാത്ത സിംഗിൾ ഇമേജ് സൂപ്പർ റെസല്യൂഷൻ, ഇമേജ് കളറൈസേഷൻ, ഇമേജ് സ്റ്റൈൽ ട്രാൻസ്ഫർ, വീഡിയോ ഫ്രെയിം ഇന്റർപോളേഷൻ, ഏരിയൽ ഇമേജ് സിന്തസിസ്, ഇമേജ്-ടു-ഇമേജ് വിവർത്തനം എന്നിങ്ങനെയുള്ള നിരവധി ജോലികൾക്ക് സൈക്കിൾഗാൻ വളരെ ഫലപ്രദമാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്.

ആത്യന്തികമായി, CycleGAN-കൾ ഇമേജ്-ടു-ഇമേജ് വിവർത്തനത്തിനുള്ള ശക്തമായ ഉപകരണമാണ്, കാരണം അവയ്ക്ക് മേൽനോട്ടം ഇല്ല, മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലുകൾ ആവശ്യമില്ല, കൂടാതെ വ്യത്യസ്ത ജോലികളിൽ പ്രയോഗിക്കുമ്പോൾ താരതമ്യേന വേഗതയുള്ളതുമാണ്. സൈക്കിൾഗാനുകളുടെ പ്രാഥമിക പരിമിതി, ചിത്രത്തിന്റെ ഗുണനിലവാരവും വേഗതയും സംബന്ധിച്ച് അവ അവശ്യം സുസ്ഥിരമല്ല എന്നതാണ്.