CycleGAN — это тип генеративно-состязательной сети (GAN), используемый в задачах машинного обучения без учителя. Сеть была разработана Эриком Мейером и Джун-Яном Чжу из Калифорнийского университета в Беркли в 2017 году. Она была разработана для обучения переводу изображений без необходимости использования каких-либо парных входных данных.
В отличие от других GAN, CycleGAN можно использовать для сопоставления изображений из одного домена в другой без фиксированного набора входных изображений из каждого домена. Это возможно благодаря одновременному обучению на изображениях из обоих доменов, в отличие от «парных» наборов данных, которые обычно используются в других GAN. Это помогает преодолеть разрыв между двумя несходными доменами изображений, позволяя решать более сложную задачу создания изображений.
Модель CycleGAN состоит из двух компонентов: генератора и дискриминатора. Генератор принимает входное изображение из любого домена и создает выходное изображение в другом домене. Затем дискриминатор оценивает выходное изображение и решает, является ли оно реальным изображением из другого домена или сгенерированным генератором.
Примером применения CycleGAN является перевод изображения в изображение, позволяющий конвертировать изображение из одного домена в другое изображение в другом домене. Например, CycleGAN может сделать фотографию яблока и преобразовать ее в акварельный рисунок яблока. Это приложение особенно полезно в компьютерном зрении и робототехнике, где для таких задач, как распознавание объектов, необходимы сложные, но визуально схожие преобразования данных.
С момента своего появления в 2017 году CycleGAN использовался для решения множества задач: от перевода изображения в изображение до синтеза текста в изображение. Его революционный неконтролируемый подход к изучению сложных преобразований делает его эффективным инструментом для многих приложений.
