CycleGAN adalah jenis jaringan permusuhan generatif (GAN) yang digunakan dalam tugas pembelajaran mesin tanpa pengawasan. Jaringan ini dikembangkan oleh Erik Meijer dan Jun-Yan Zhu dari UC Berkeley pada tahun 2017. Jaringan ini dirancang untuk mempelajari terjemahan gambar-ke-gambar tanpa memerlukan data masukan berpasangan.
Tidak seperti GAN lainnya, CycleGAN dapat digunakan untuk memetakan gambar dari satu domain ke domain lainnya tanpa kumpulan gambar masukan yang tetap dari setiap domain. Hal ini dimungkinkan karena pembelajaran dari gambar dari kedua domain secara bersamaan, dibandingkan dengan kumpulan data “berpasangan”, yang biasanya digunakan di GAN lain. Hal ini membantu menjembatani kesenjangan antara dua domain gambar yang berbeda, sehingga memungkinkan tugas pembuatan gambar yang lebih kompleks.
Model CycleGAN terdiri dari dua komponen: generator dan diskriminator. Generator mengambil gambar masukan dari salah satu domain dan menghasilkan gambar keluaran di domain lainnya. Diskriminator kemudian mengevaluasi gambar keluaran dan memutuskan apakah itu gambar asli dari domain lain atau gambar yang dihasilkan dari generator.
Contoh penerapan CycleGAN adalah terjemahan gambar-ke-gambar, yang memungkinkan gambar dikonversi dari satu domain menjadi gambar berbeda di domain lain. Misalnya, CycleGAN dapat mengambil foto sebuah apel dan mengubahnya menjadi lukisan cat air sebuah apel. Aplikasi ini sangat berguna dalam visi komputer dan robotika, yang memerlukan transformasi data yang kompleks namun serupa secara visual untuk tugas-tugas seperti pengenalan objek.
Sejak diperkenalkan pada tahun 2017, CycleGAN telah digunakan dalam berbagai tugas, mulai dari terjemahan gambar-ke-gambar hingga sintesis teks-ke-gambar. Pendekatan revolusioner tanpa pengawasan untuk mempelajari transformasi kompleks menjadikannya alat yang efektif untuk banyak aplikasi.
