InayofuataMwongozo unaofuata
Tafsiri ya Picha kwa Picha ya Pix2Pix
AI ya kuona
Mwongozo wa AI unaoonekana
Tafsiri Isiyooanishwa ya CycleGAN
CycleGAN hujifunza kutafsiri picha kati ya vikoa viwili vya kuona (kama vile farasi hadi pundamilia, au picha hadi michoro) bila kuhitaji jozi za kabla na baada ya mifano iliyolingana.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
It matters because collecting paired training data is often impossible, and CycleGAN unlocks style transfer for messy real-world datasets.
Dive ya kina
Ilianzishwa mwaka wa 2017 na Zhu, Park, Isola na Efros, CycleGAN inashughulikia utafsiri usiooanishwa wa picha hadi picha. Mbinu nyingi za awali (kama pix2pix) zilihitaji jozi kamili: eneo sawa na picha na kama mchoro. CycleGAN huondoa hitaji hilo kwa kutumia jenereta mbili (G hubadilisha kikoa A hadi B, F kubadilisha B hadi A) na vibaguzi viwili vinavyohukumu uhalisia katika kila kikoa. Mafanikio ni upotezaji wa uthabiti wa mzunguko: ikiwa unatafsiri picha ya farasi kwa pundamilia na kuitafsiri nyuma, unapaswa kupata farasi wa asili. Kizuizi hiki huzuia jenereta kuvumbua matokeo kiholela na kulazimisha upangaji wa maana, unaohifadhi maudhui. Inabadilisha mandhari ya majira ya joto kuwa msimu wa baridi, picha za kuchora za Monet kuwa picha, na tufaha kuwa machungwa, zote zilijifunza kutoka kwa mirundo miwili ya picha isiyohusiana.
Utekelezaji wa Ulimwengu Halisi
Kugeuza picha kuwa mtindo wa uchoraji wa Monet, Van Gogh, au Cezanne bila mifano iliyooanishwa ya uchoraji wa picha.
Kubadilisha picha za mandhari ya majira ya kiangazi kuwa matukio ya msimu wa baridi (na kinyume chake) kwa filamu na uundaji wa vipengee vya mchezo
Kutafsiri skana za MRI hadi picha zinazofanana na CT katika utafiti wa kimatibabu ambapo uchunguzi wa wagonjwa waliooanishwa haupatikani.
Kurekebisha taswira ya uigaji-usinisi wa kuendesha gari ili ionekane ya uhalisia wa mafunzo ya utambuzi wa gari linalojiendesha
Mustakabali wa Tafsiri Isiyooanishwa ya CycleGAN
Wazo kuu la CycleGAN, uthabiti wa mzunguko, huishi katika kazi ya kisasa ya kutafsiri ambayo haijaoanishwa, ikijumuisha mbinu za uenezaji ambazo hubadilishana migongo ya GAN kwa miundo ya kutoa kelele yenye matokeo makali zaidi, tofauti zaidi. Watafiti sasa wanatumia utafsiri ambao haujaoanishwa kwa taswira ya kimatibabu (mifumo ya kusawazisha ya kuchanganua), urekebishaji wa kikoa kwa uhamishaji wa uigaji-hadi-halisi wa kujiendesha, na uongezaji data. Tarajia udhibiti mkali zaidi wa mabadiliko dhidi ya yale yasiyobadilika, pamoja na mbinu mseto zinazochanganya vizuizi vya mzunguko na uhariri wa uenezaji ulio na masharti ya maandishi.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Kasi na kiwango. Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
- Tengeneza chaguzi. Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
- Timu na mtiririko wa kazi. Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Jihadharini na
- Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
- Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
- Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Hatua zinazofuata
- Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
- Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
- Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
- Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the CycleGAN Unpaired Translation quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
What is CycleGAN Unpaired Translation?
CycleGAN hujifunza kutafsiri picha kati ya vikoa viwili vya kuona (kama vile farasi hadi pundamilia, au picha hadi michoro) bila kuhitaji jozi za kabla na baada ya mifano iliyolingana. Ni muhimu kwa sababu kukusanya data ya mafunzo yaliyooanishwa mara nyingi haiwezekani, na CycleGAN hufungua uhamishaji wa mtindo kwa seti za data zenye fujo za ulimwengu halisi.
Ni shida gani kuu ambayo CycleGAN inasuluhisha ambayo njia za mapema kama pix2pix hazingeweza?
Mchango mkuu wa CycleGAN ni tafsiri ambazo hazijaoanishwa, kujifunza ramani kati ya vikoa kutoka mikusanyiko miwili ya picha isiyohusiana badala ya jozi kamili.
Je, hasara ya uthabiti wa mzunguko inatekeleza nini?
Uthabiti wa mzunguko unamaanisha F(G(x)) inapaswa kuwa sawa na x: farasi aliyegeuzwa kuwa pundamilia na mgongo unapaswa kuonekana kama farasi asili.
CycleGAN ya kawaida hutumia jenereta ngapi?
CycleGAN hutumia jenereta mbili, moja kwa kila mwelekeo wa tafsiri (A hadi B na B hadi A), pamoja na vibaguzi viwili.
CycleGAN kawaida hutumia kibaguzi wa aina gani?
CycleGAN hutumia kibaguzi cha PatchGAN ambacho huamua viraka vinavyopishana kuwa halisi au ghushi, na kuhimiza uhalisia wa ndani.
Kwa nini upotezaji wa kitambulisho wakati mwingine huongezwa kwenye CycleGAN?
Kupoteza utambulisho huadhibu mabadiliko yasiyo ya lazima wakati picha tayari iko kwenye kikoa lengwa, hivyo kusaidia kuhifadhi rangi na tint.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii