CycleGAN

CycleGAN, singkatan untuk "Rangkaian Adversarial Cycle-Consistent," ialah teknik pemindahan imej ke imej yang dibangunkan oleh Jun-Yan Zhu, Taesung Park, Phillip Isola dan Alexei A. Efros. Ia pertama kali dibentangkan pada tahun 2017 dan merupakan sejenis rangkaian permusuhan generatif (GAN) yang direka untuk mempelajari pemetaan daripada satu domain imej ke domain imej yang lain.

Dalam GAN biasa, rangkaian penjana mencipta imej baharu daripada domain input yang diberikan, contohnya, gambar kucing. Tetapi CycleGAN berbeza kerana ia tidak memerlukan imej berpasangan. Ini bermakna, daripada belajar daripada set data foto kucing dan foto anjing, imej itu boleh dinyahgandingkan. Jadi, dalam contoh ini, satu bahagian rangkaian mungkin dilatih mengenai gambar kucing dan bahagian lain mengenai lukisan kucing.

Rangkaian dilatih menggunakan kehilangan ketekalan kitaran, dengan kedua-dua penjana cuba menganggarkan output masing-masing. Kehilangan ketekalan kitaran ini mempunyai dua bahagian – satu bahagian memastikan imej kucing harus ditukar kembali kepada imej yang sama selepas melalui dua rangkaian, dan bahagian lain memastikan imej lukisan harus ditukar kembali kepada imej yang sama selepas melalui dua rangkaian.

CycleGAN amat berguna dalam ruang masalah yang mempunyai kelas tidak seimbang seperti imej malam dan siang, lukisan dan foto, dsb. Model ini juga digunakan dalam tugas seperti terjemahan imej-ke-imej dan penyesuaian domain. Ia juga telah digunakan untuk menjana gaya artistik imej baharu yang dipanggil "resolusi super", yang boleh digunakan untuk tugas seperti pengecaman muka dan pengesanan objek.

CycleGAN telah terbukti berkesan terutamanya untuk pelbagai tugas seperti resolusi super imej tunggal tanpa pengawasan, pewarnaan imej, pemindahan gaya imej, interpolasi bingkai video, sintesis imej udara dan terjemahan imej ke imej.

Akhirnya, CycleGAN ialah alat yang berkuasa untuk terjemahan imej-ke-imej, kerana ia tidak diawasi, tidak memerlukan model pra-latihan dan agak pantas apabila digunakan pada tugasan yang berbeza. Had utama CycleGANs ialah ia tidak semestinya stabil berkenaan dengan kualiti imej dan kelajuan.