CycleGAN 是一种用于无监督机器学习任务的生成对抗网络 (GAN)。该网络由加州大学伯克利分校的 Erik Meijer 和 Jun-Yan Zhu 于 2017 年开发。它旨在学习图像到图像的翻译，而不需要任何配对输入数据。
与其他 GAN 不同，CycleGAN 可用于将图像从一个域映射到另一个域，而无需每个域都有一组固定的输入图像。这是可能的，因为同时从两个域的图像中学习，而不是通常在其他 GAN 中使用的“配对”数据集。这有助于弥合两个不同图像域之间的差距，从而允许更复杂的图像生成任务。
CycleGAN 模型由两个组件组成：生成器和鉴别器。生成器从任一域接收输入图像，并在另一个域中生成输出图像。然后鉴别器评估输出图像并决定它是来自其他域的真实图像还是生成器生成的图像。
CycleGAN 的一个示例应用是图像到图像的转换，允许将图像从一个域转换为另一个域中的不同图像。例如，CycleGAN 可以拍摄一张苹果的照片，并将其转换为苹果的水彩画。该应用程序在计算机视觉和机器人技术中特别有用，其中物体识别等任务需要复杂但视觉上相似的数据转换。
自 2017 年推出以来，CycleGAN 已被用于各种任务，从图像到图像的翻译到文本到图像的合成。其革命性的无监督学习复杂转换的方法使其成为许多应用程序的有效工具。
