CycleGAN

"Cycle-Consistent Adversarial Networks" ifadesinin kısaltması olan CycleGAN, Jun-Yan Zhu, Taesung Park, Phillip Isola ve Alexei A. Efros tarafından geliştirilen bir görüntüden görüntüye aktarım tekniğidir. İlk olarak 2017 yılında sunulmuştur ve bir görüntü alanından diğerine eşlemeleri öğrenmek için tasarlanmış bir tür üretken karşıt ağdır (GAN).

Tipik bir GAN'da, bir üretici ağ belirli bir girdi alanından, örneğin kedi fotoğraflarından yeni görüntüler oluşturur. Ancak CycleGAN'lar eşleştirilmiş görüntülere ihtiyaç duymamaları bakımından farklıdır. Bu, kedi ve köpek fotoğraflarından oluşan bir veri kümesinden öğrenmek yerine görüntülerin eşleştirilmeyebileceği anlamına gelir. Yani, bu örnekte, ağın bir kısmı kedi fotoğrafları ve diğer kısmı kedi çizimleri üzerinde eğitilebilir.

Ağ, her iki jeneratörün de birbirlerinin çıktılarına yaklaşmaya çalıştığı bir döngü-tutarlılık kaybı kullanılarak eğitilir. Bu döngü-tutarlılık kaybının iki kısmı vardır - bir kısmı bir kedi görüntüsünün iki ağdan geçtikten sonra aynı görüntüye geri dönüştürülmesini sağlar ve diğer kısmı bir çizim görüntüsünün iki ağdan geçtikten sonra aynı görüntüye geri dönüştürülmesini sağlar.

CycleGAN özellikle gece ve gündüz görüntüleri, resim ve fotoğraflar gibi dengesiz sınıflara sahip problem uzaylarında kullanışlıdır. Bu model aynı zamanda görüntüden görüntüye çeviri ve alan adaptasyonu gibi görevlerde de kullanılmaktadır. Hatta yüz tanıma ve nesne algılama gibi görevler için kullanılabilen "süper çözünürlük" adı verilen yeni sanatsal görüntü stilleri oluşturmak için de kullanılmıştır.

CycleGAN'lerin denetimsiz tek görüntü süper çözünürlüğü, görüntü renklendirme, görüntü stili aktarımı, video karesi enterpolasyonu, hava görüntüsü sentezi ve görüntüden görüntüye çeviri gibi çok sayıda görev için özellikle etkili olduğu gösterilmiştir.

Sonuç olarak, CycleGAN'ler denetimsiz oldukları, önceden eğitilmiş modeller gerektirmedikleri ve farklı görevlere uygulandıklarında nispeten hızlı oldukları için görüntüden görüntüye çeviri için güçlü bir araçtır. CycleGAN'lerin birincil sınırlaması, hem görüntü kalitesi hem de hız açısından mutlaka istikrarlı olmamalarıdır.