VolgendeVolgende gids
Pix2Pix afbeelding-naar-afbeelding vertaling
Visuele AI
Visuele AI-GIDS
CycleGAN leert afbeeldingen te vertalen tussen twee visuele domeinen (zoals paarden naar zebra's, of foto's naar schilderijen) zonder ooit op elkaar afgestemde voor-en-na-voorbeeldparen nodig te hebben.
Luister naar deze gidsAI-verteld · ~2 min
Het is belangrijk omdat het verzamelen van gepaarde trainingsgegevens vaak onmogelijk is, en CycleGAN ontgrendelt stijloverdracht voor rommelige datasets uit de echte wereld.
CycleGAN werd in 2017 geïntroduceerd door Zhu, Park, Isola en Efros en pakt de ongepaarde vertaling van beeld naar beeld aan. Bij de meeste eerdere methoden (zoals pix2pix) waren exacte paren nodig: dezelfde scène als een foto en als een schets. CycleGAN verwijdert die vereiste met behulp van twee generatoren (G converteert domein A naar B, F converteert B terug naar A) en twee discriminatoren die het realisme in elk domein beoordelen. De doorbraak is het verlies aan cyclusconsistentie: als je een paardenfoto naar een zebra vertaalt en terug vertaalt, zou je het originele paard moeten terugkrijgen. Deze beperking weerhoudt de generator ervan willekeurige uitvoer te bedenken en dwingt betekenisvolle, inhoudbehoudende mappings af. Het verandert beroemde zomerlandschappen in winter, Monet-schilderijen in foto's en appels in sinaasappels, allemaal geleerd van twee niet-gerelateerde stapels afbeeldingen.
Foto's omzetten in de schilderstijl van Monet, Van Gogh of Cezanne zonder gepaarde voorbeelden van fotoschilderijen
Zomerlandschapsfoto's omzetten in wintertaferelen (en vice versa) voor het maken van film- en game-items
Het vertalen van MRI-scans naar CT-achtige beelden in medisch onderzoek waarbij gepaarde patiëntscans niet beschikbaar zijn
Het aanpassen van beelden van synthetische rijsimulators om er fotorealistisch uit te zien voor het trainen van de perceptie van autonome voertuigen
Het kernidee van CycleGAN, cyclusconsistentie, leeft voort in modern, ongepaard vertaalwerk, inclusief op diffusie gebaseerde methoden die GAN-backbones verwisselen voor ruisonderdrukkingsmodellen met scherpere, meer diverse outputs. Onderzoekers passen nu ongepaarde vertaling toe op medische beeldvorming (synthetiseren van scanmodaliteiten), domeinaanpassing voor zelfrijdende simulatie-naar-echte overdracht, en gegevensvergroting. Verwacht een strakkere controle over wat verandert en wat vast blijft, plus hybride benaderingen die cyclusbeperkingen combineren met tekstgeconditioneerde diffusiebewerking.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
CycleGAN leert afbeeldingen te vertalen tussen twee visuele domeinen (zoals paarden naar zebra's, of foto's naar schilderijen) zonder ooit op elkaar afgestemde voor-en-na-voorbeeldparen nodig te hebben. Het is belangrijk omdat het verzamelen van gepaarde trainingsgegevens vaak onmogelijk is, en CycleGAN ontgrendelt stijloverdracht voor rommelige datasets uit de echte wereld.
De belangrijkste bijdrage van CycleGAN is ongepaarde vertaling, waarbij mappings tussen domeinen worden geleerd uit twee niet-gerelateerde beeldcollecties in plaats van exacte paren.
Cyclusconsistentie betekent dat F(G(x)) gelijk moet zijn aan x: een paard dat in een zebra is veranderd en de rug moet op het originele paard lijken.
CycleGAN gebruikt twee generatoren, één voor elke vertaalrichting (A naar B en B naar A), plus twee discriminatoren.
CycleGAN maakt gebruik van een PatchGAN-discriminator die overlappende patches als echt of nep beoordeelt, wat lokaal realisme aanmoedigt.
Identiteitsverlies bestraft onnodige wijzigingen wanneer een afbeelding zich al in het doeldomein bevindt, waardoor kleuren en tinten behouden blijven.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Pix2Pix afbeelding-naar-afbeelding vertaling
Visuele AI