CycleGAN est un mod\u00e8le d'apprentissage en profondeur utilis\u00e9 pour la traduction d'image \u00e0 image. Il appartient \u00e0 la famille des Generative Adversarial Networks (GAN), une classe d'algorithmes introduite par Ian Goodfellow et ses coll\u00e8gues en 2014. CycleGAN est sp\u00e9cifiquement con\u00e7u pour transformer des images d'un domaine \u00e0 un autre sans n\u00e9cessiter de donn\u00e9es d'entra\u00eenement appari\u00e9es. Cette capacit\u00e9 unique en fait un outil puissant pour diverses applications, notamment le transfert de style artistique, l'adaptation de domaine et la synth\u00e8se d'images.<\/p>\n
CycleGAN a \u00e9t\u00e9 propos\u00e9 en 2017 par Jun-Yan Zhu, Taesung Park, Phillip Isola et Alexei A. Efros de l'Universit\u00e9 de Californie \u00e0 Berkeley. L'article intitul\u00e9 \u00ab Traduction d'image \u00e0 image non appari\u00e9e \u00e0 l'aide de r\u00e9seaux contradictoires \u00e0 coh\u00e9rence cyclique \u00bb pr\u00e9sentait une approche innovante de la traduction d'images non appari\u00e9es, qui constituait une am\u00e9lioration par rapport aux m\u00e9thodes traditionnelles bas\u00e9es sur des donn\u00e9es appari\u00e9es. Les auteurs ont introduit le concept de \u00ab coh\u00e9rence du cycle \u00bb pour garantir que les images traduites conservent leur identit\u00e9 lorsqu'elles sont retraduites dans le domaine d'origine.<\/p>\n
CycleGAN fonctionne sur les principes de l'entra\u00eenement contradictoire, qui implique deux r\u00e9seaux de neurones en comp\u00e9tition : le g\u00e9n\u00e9rateur et le discriminateur. Le g\u00e9n\u00e9rateur a pour objectif de transformer les images d'un domaine \u00e0 un autre, tandis que la t\u00e2che du discriminateur est de distinguer les images r\u00e9elles du domaine cible de celles g\u00e9n\u00e9r\u00e9es par le g\u00e9n\u00e9rateur.<\/p>\n
La structure interne de CycleGAN implique deux composants principaux\u00a0:<\/p>\n
R\u00e9seaux de g\u00e9n\u00e9rateurs<\/strong>: Il existe deux r\u00e9seaux g\u00e9n\u00e9rateurs, chacun charg\u00e9 de convertir les images d'un domaine \u00e0 l'autre et vice versa. Le g\u00e9n\u00e9rateur exploite les r\u00e9seaux de neurones convolutifs (CNN) pour apprendre le mappage entre les domaines.<\/p>\n<\/li>\n R\u00e9seaux discriminateurs<\/strong>: Semblable au g\u00e9n\u00e9rateur, CycleGAN utilise deux discriminateurs, un pour chaque domaine. Ces r\u00e9seaux utilisent les CNN pour d\u00e9terminer si une image d'entr\u00e9e est r\u00e9elle (appartenant au domaine cible) ou fausse (g\u00e9n\u00e9r\u00e9e par le g\u00e9n\u00e9rateur respectif).<\/p>\n<\/li>\n<\/ol>\n Les principales fonctionnalit\u00e9s de CycleGAN incluent\u00a0:<\/p>\n Donn\u00e9es non appari\u00e9es<\/strong>: Contrairement aux approches traditionnelles de traduction d'images qui n\u00e9cessitent des donn\u00e9es appari\u00e9es, CycleGAN peut apprendre des mappages entre domaines sans aucune correspondance directe entre les images individuelles.<\/p>\n<\/li>\n Perte de coh\u00e9rence du cycle<\/strong>: L'introduction de la perte de coh\u00e9rence du cycle garantit que la traduction est coh\u00e9rente lorsqu'une image est convertie puis retraduite vers son domaine d'origine. Cela aide \u00e0 pr\u00e9server l\u2019identit\u00e9 de l\u2019image.<\/p>\n<\/li>\n Pr\u00e9servation du style<\/strong>: CycleGAN permet le transfert de style artistique, permettant la transformation des images tout en pr\u00e9servant leur contenu.<\/p>\n<\/li>\n Adaptation de domaine<\/strong>: Il facilite l'adaptation d'une image d'un domaine \u00e0 un autre, ce qui trouve des applications dans divers sc\u00e9narios, comme le changement de saison ou la m\u00e9t\u00e9o dans les images.<\/p>\n<\/li>\n<\/ul>\n CycleGAN peut \u00eatre class\u00e9 en fonction des types de traduction d'images qu'il effectue. Voici quelques types courants\u00a0:<\/p>\nAnalyse des principales fonctionnalit\u00e9s de CycleGAN<\/h2>\n
\n
Types de CycleGAN<\/h2>\n