CycleGAN to model g\u0142\u0119bokiego uczenia si\u0119 u\u017cywany do t\u0142umaczenia obrazu na obraz. Nale\u017cy do rodziny Generative Adversarial Networks (GAN), klasy algorytm\u00f3w wprowadzonej przez Iana Goodfellowa i jego wsp\u00f3\u0142pracownik\u00f3w w 2014 roku. CycleGAN zosta\u0142 specjalnie zaprojektowany do przekszta\u0142cania obraz\u00f3w z jednej domeny do drugiej bez konieczno\u015bci sparowania danych szkoleniowych. Ta wyj\u0105tkowa funkcja czyni go pot\u0119\u017cnym narz\u0119dziem do r\u00f3\u017cnych zastosowa\u0144, w tym do transferu stylu artystycznego, adaptacji domen i syntezy obrazu.<\/p>\n
CycleGAN zosta\u0142 zaproponowany w 2017 roku przez Jun-Yana Zhu, Taesunga Parka, Phillipa Isol\u0119 i Alexei A. Efrosa z Uniwersytetu Kalifornijskiego w Berkeley. W artykule zatytu\u0142owanym \u201eUnpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks\u201d przedstawiono innowacyjne podej\u015bcie do translacji niesparowanych obraz\u00f3w, kt\u00f3re stanowi\u0142o ulepszenie w stosunku do tradycyjnych metod opartych na sparowanych danych. Autorzy wprowadzili koncepcj\u0119 \u201esp\u00f3jno\u015bci cyklu\u201d, aby zapewni\u0107, \u017ce przet\u0142umaczone obrazy zachowaj\u0105 swoj\u0105 to\u017csamo\u015b\u0107 po ponownym przet\u0142umaczeniu na oryginaln\u0105 domen\u0119.<\/p>\n
CycleGAN dzia\u0142a na zasadzie treningu kontradyktoryjnego, w kt\u00f3rym bior\u0105 udzia\u0142 dwie konkuruj\u0105ce ze sob\u0105 sieci neuronowe: generator i dyskryminator. Generator ma na celu transformacj\u0119 obraz\u00f3w z jednej domeny do drugiej, natomiast zadaniem dyskryminatora jest rozr\u00f3\u017cnienie pomi\u0119dzy rzeczywistymi obrazami z domeny docelowej a tymi wygenerowanymi przez generator.<\/p>\n
Wewn\u0119trzna struktura CycleGAN obejmuje dwa g\u0142\u00f3wne elementy:<\/p>\n
Sieci generator\u00f3w<\/strong>: Istniej\u0105 dwie sieci generator\u00f3w, ka\u017cda odpowiedzialna za konwersj\u0119 obraz\u00f3w z jednej domeny na drug\u0105 i odwrotnie. Generator wykorzystuje splotowe sieci neuronowe (CNN) do nauki mapowania pomi\u0119dzy domenami.<\/p>\n<\/li>\n Sieci dyskryminacyjne<\/strong>: Podobnie jak generator, CycleGAN wykorzystuje dwa dyskryminatory, po jednym dla ka\u017cdej domeny. Sieci te wykorzystuj\u0105 CNN do klasyfikowania, czy obraz wej\u015bciowy jest prawdziwy (nale\u017c\u0105cy do domeny docelowej), czy fa\u0142szywy (wygenerowany przez odpowiedni generator).<\/p>\n<\/li>\n<\/ol>\n Kluczowe cechy CycleGAN obejmuj\u0105:<\/p>\n Niesparowane dane<\/strong>: W przeciwie\u0144stwie do tradycyjnych metod translacji obraz\u00f3w, kt\u00f3re wymagaj\u0105 sparowanych danych, CycleGAN mo\u017ce uczy\u0107 si\u0119 mapowa\u0144 mi\u0119dzy domenami bez bezpo\u015bredniej korespondencji mi\u0119dzy poszczeg\u00f3lnymi obrazami.<\/p>\n<\/li>\n Utrata sp\u00f3jno\u015bci cyklu<\/strong>: Wprowadzenie utraty sp\u00f3jno\u015bci cykli zapewnia sp\u00f3jno\u015b\u0107 t\u0142umaczenia podczas konwersji obrazu, a nast\u0119pnie t\u0142umaczenia go z powrotem do oryginalnej domeny. Pomaga to w zachowaniu to\u017csamo\u015bci obrazu.<\/p>\n<\/li>\n Zachowanie stylu<\/strong>: CycleGAN pozwala na transfer stylu artystycznego, umo\u017cliwiaj\u0105c transformacj\u0119 obraz\u00f3w przy jednoczesnym zachowaniu ich tre\u015bci.<\/p>\n<\/li>\n Adaptacja domeny<\/strong>: U\u0142atwia adaptacj\u0119 obrazu z jednej domeny do drugiej, co znajduje zastosowanie w r\u00f3\u017cnych scenariuszach, takich jak zmieniaj\u0105ce si\u0119 pory roku czy pogoda na obrazach.<\/p>\n<\/li>\n<\/ul>\n CycleGAN mo\u017cna podzieli\u0107 na kategorie w oparciu o typy translacji obraz\u00f3w, kt\u00f3re wykonuje. Oto kilka popularnych typ\u00f3w:<\/p>\nAnaliza kluczowych cech CycleGAN<\/h2>\n
\n
Rodzaje cykliGAN<\/h2>\n