CycleGAN, denetimsiz makine öğrenimi görevlerinde kullanılan bir tür üretken rakip ağdır (GAN). Ağ, 2017 yılında UC Berkeley'den Erik Meijer ve Jun-Yan Zhu tarafından geliştirildi. Herhangi bir eşleştirilmiş giriş verisine ihtiyaç duymadan görüntüden görüntüye çevirileri öğrenmek için tasarlandı.
Diğer GAN'lardan farklı olarak CycleGAN, her bir alandan sabit bir giriş görüntüsü seti olmadan görüntüleri bir alandan diğerine eşlemek için kullanılabilir. Bu, genellikle diğer GAN'larda kullanılan "eşleştirilmiş" veri kümelerinin aksine, her iki alandan gelen görüntülerden aynı anda öğrenme sayesinde mümkündür. Bu, iki farklı görüntü alanı arasındaki boşluğun kapatılmasına yardımcı olarak daha karmaşık bir görüntü oluşturma görevine olanak tanır.
CycleGAN modeli iki bileşenden oluşur: bir üreteç ve bir ayırıcı. Jeneratör her iki alandan da bir giriş görüntüsü alır ve diğer alanda bir çıkış görüntüsü üretir. Ayırıcı daha sonra çıktı görüntüsünü değerlendirir ve bunun diğer alandan gerçek bir görüntü mü yoksa jeneratörden üretilmiş bir görüntü mü olduğuna karar verir.
CycleGAN'ın örnek bir uygulaması, bir görüntünün bir alandan başka bir alandaki farklı bir görüntüye dönüştürülmesine olanak tanıyan görüntüden görüntüye çeviridir. Örneğin CycleGAN bir elmanın fotoğrafını çekip onu bir elmanın sulu boya resmine dönüştürebiliyor. Bu uygulama özellikle nesne tanıma gibi görevler için karmaşık ancak görsel olarak benzer veri dönüşümlerinin gerekli olduğu bilgisayarlı görme ve robot biliminde kullanışlıdır.
CycleGAN, 2017 yılında piyasaya sürülmesinden bu yana, görüntüden görüntüye çeviriden metinden görüntü sentezine kadar çeşitli görevlerde kullanıldı. Karmaşık dönüşümleri öğrenmeye yönelik devrim niteliğindeki denetimsiz yaklaşımı, onu birçok uygulama için etkili bir araç haline getiriyor.
