Bản dịch không ghép đôi CycleGAN
CycleGAN học cách dịch hình ảnh giữa hai miền hình ảnh (như ngựa sang ngựa vằn hoặc ảnh sang tranh vẽ) mà không cần các cặp ví dụ trước và sau trùng khớp.
Tổng quan
Điều này quan trọng vì việc thu thập dữ liệu huấn luyện đôi thường là không thể, và CycleGAN mở khóa việc chuyển đổi kiểu cho các bộ dữ liệu thực tế lộn xộn.
Lặn sâu
Được giới thiệu vào năm 2017 bởi Zhu, Park, Isola và Efros, CycleGAN giải quyết vấn đề dịch thuật từ hình ảnh sang hình ảnh không ghép đôi. Hầu hết các phương pháp trước đó (như pix2pix) đều cần các cặp chính xác: cùng một cảnh như một bức ảnh và một bản phác thảo. CycleGAN loại bỏ yêu cầu đó bằng cách sử dụng hai trình tạo (G chuyển đổi miền A thành B, F chuyển đổi B trở lại A) và hai trình phân biệt đối xử để đánh giá tính hiện thực trong mỗi miền. Bước đột phá là sự mất đi tính nhất quán theo chu kỳ: nếu bạn dịch một bức ảnh con ngựa sang một con ngựa vằn và dịch nó trở lại, bạn nên khôi phục lại con ngựa ban đầu. Ràng buộc này ngăn trình tạo phát minh ra các đầu ra tùy ý và buộc các ánh xạ bảo toàn nội dung, có ý nghĩa. Nó nổi tiếng biến phong cảnh mùa hè thành mùa đông, tranh của Monet thành ảnh và táo thành cam, tất cả đều được học từ hai chồng hình ảnh không liên quan.
Hiểu biết kỹ thuật
CycleGAN kết hợp tổn thất bất lợi với mất mát nhất quán theo chu kỳ. Mỗi trình tạo phải đối mặt với một bộ phân biệt PatchGAN để phân loại các mảng hình ảnh chồng chéo là thật hay giả thay vì đánh giá toàn bộ hình ảnh. Việc mất chu kỳ thực thi F(G(x)) về x và G(F(y)) về y bằng cách sử dụng hình phạt tái thiết L1. Việc mất nhận dạng tùy chọn sẽ giữ nguyên màu sắc khi hình ảnh đã thuộc về miền mục tiêu. Cả hai trình tạo đều đào tạo đồng thời, học các ánh xạ nghịch đảo để giữ nguyên cấu trúc.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của Dịch thuật không ghép đôi CycleGAN
Ý tưởng cốt lõi của CycleGAN, tính nhất quán của chu trình, vẫn tồn tại trong công việc dịch thuật không ghép đôi hiện đại, bao gồm các phương pháp dựa trên khuếch tán hoán đổi xương sống GAN để lấy các mô hình khử nhiễu với đầu ra sắc nét hơn, đa dạng hơn. Các nhà nghiên cứu hiện áp dụng khả năng dịch không ghép đôi cho hình ảnh y tế (tổng hợp các phương thức quét), điều chỉnh miền để chuyển mô phỏng tự lái sang thực và tăng cường dữ liệu. Mong đợi sự kiểm soát chặt chẽ hơn đối với những gì thay đổi so với những gì vẫn cố định, cộng với các phương pháp tiếp cận kết hợp kết hợp các ràng buộc chu trình với chỉnh sửa phổ biến có điều kiện hóa văn bản.
Triển khai trong thế giới thực
Biến những bức ảnh thành phong cách hội họa của Monet, Van Gogh hay Cezanne mà không cần những ví dụ vẽ tranh ghép đôi
Chuyển ảnh phong cảnh mùa hè thành cảnh mùa đông (và ngược lại) để tạo nội dung phim và trò chơi
Dịch kết quả quét MRI sang hình ảnh giống CT trong nghiên cứu y học khi không thể thực hiện quét theo cặp bệnh nhân
Điều chỉnh cảnh quay mô phỏng lái xe tổng hợp để trông giống như ảnh thực tế nhằm đào tạo nhận thức về xe tự hành
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the CycleGAN Unpaired Translation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Dịch từ hình ảnh sang hình ảnh Pix2Pix
Câu hỏi thường gặp
Dịch không cặp của CycleGAN là gì?
CycleGAN học cách dịch hình ảnh giữa hai miền hình ảnh (như ngựa sang ngựa vằn hoặc ảnh sang tranh vẽ) mà không cần các cặp ví dụ trước và sau trùng khớp. Điều này quan trọng vì việc thu thập dữ liệu đào tạo theo cặp thường là không thể và CycleGAN mở khóa chuyển kiểu cho các bộ dữ liệu trong thế giới thực lộn xộn.
CycleGAN giải quyết vấn đề chính nào mà các phương pháp trước đó như pix2pix không thể giải quyết được?
Đóng góp chính của CycleGAN là dịch không ghép đôi, học ánh xạ giữa các miền từ hai bộ sưu tập hình ảnh không liên quan thay vì các cặp chính xác.
Việc mất tính nhất quán theo chu kỳ có tác dụng gì?
Tính nhất quán của chu kỳ có nghĩa là F(G(x)) phải bằng x: một con ngựa biến thành ngựa vằn và phần lưng sẽ trông giống con ngựa ban đầu.
CycleGAN tiêu chuẩn sử dụng bao nhiêu máy phát điện?
CycleGAN sử dụng hai bộ tạo, một bộ cho mỗi hướng dịch (A đến B và B sang A), cộng với hai bộ phân biệt đối xử.
CycleGAN thường sử dụng loại phân biệt đối xử nào?
CycleGAN sử dụng công cụ phân biệt PatchGAN để đánh giá các bản vá chồng chéo là thật hay giả, khuyến khích chủ nghĩa hiện thực cục bộ.
Tại sao tính năng mất danh tính đôi khi được thêm vào CycleGAN?
Việc mất danh tính sẽ gây ra những thay đổi không cần thiết khi hình ảnh đã có trong miền mục tiêu, giúp duy trì màu sắc và sắc thái.